Fugu-MT 論文翻訳(概要): Reinforcement learning for Energies of the future and carbon neutrality: a Challenge Design

論文の概要: Reinforcement learning for Energies of the future and carbon neutrality: a Challenge Design

arxiv url: http://arxiv.org/abs/2207.10330v1
Date: Thu, 21 Jul 2022 06:56:46 GMT
ステータス: 処理完了
システム内更新日: 2022-07-22 12:44:15.050828
Title: Reinforcement learning for Energies of the future and carbon neutrality: a Challenge Design
Title（参考訳）: 将来エネルギーと炭素中立性のための強化学習 : 挑戦設計
Authors: Ga\"etan Serr\'e (TAU, Inria, LISN), Eva Boguslawski (RTE, TAU, LISN, Inria), Benjamin Donnot (RTE), Adrien Pav\~ao (TAU, LISN, Inria), Isabelle Guyon (TAU, LISN, Inria), Antoine Marot (RTE)
Abstract要約: この挑戦は、2019年に"Learning to run a power network" (L2RPN)という名前で始まったシリーズに属する。我々は2050年までに炭素中立に達するためにRTEによって提案された新しいより現実的なシナリオを紹介する。我々は、最先端の強化学習アルゴリズムを用いて、将来の参加者を刺激するベースラインを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current rapid changes in climate increase the urgency to change energy production and consumption management, to reduce carbon and other green-house gas production. In this context, the French electricity network management company RTE (R{\'e}seau de Transport d'{\'E}lectricit{\'e}) has recently published the results of an extensive study outlining various scenarios for tomorrow's French power management. We propose a challenge that will test the viability of such a scenario. The goal is to control electricity transportation in power networks, while pursuing multiple objectives: balancing production and consumption, minimizing energetic losses, and keeping people and equipment safe and particularly avoiding catastrophic failures. While the importance of the application provides a goal in itself, this challenge also aims to push the state-of-the-art in a branch of Artificial Intelligence (AI) called Reinforcement Learning (RL), which offers new possibilities to tackle control problems. In particular, various aspects of the combination of Deep Learning and RL called Deep Reinforcement Learning remain to be harnessed in this application domain. This challenge belongs to a series started in 2019 under the name "Learning to run a power network" (L2RPN). In this new edition, we introduce new more realistic scenarios proposed by RTE to reach carbon neutrality by 2050, retiring fossil fuel electricity production, increasing proportions of renewable and nuclear energy and introducing batteries. Furthermore, we provide a baseline using state-of-the-art reinforcement learning algorithm to stimulate the future participants.
Abstract（参考訳）: 気候変動の急速な変化により、エネルギー生産と消費管理を変え、炭素やその他のグリーンハウスガス生産を減らす緊急性が高まる。この文脈において、フランスの電力ネットワーク管理会社RTE(R{\'e}seau de Transport d'{\'E}lectricit{\'e})は、明日のフランスの電力管理の様々なシナリオを概説する広範な研究結果を発表した。このようなシナリオの実行可能性をテストするための課題を提案する。目的は電力網における電力輸送の制御であり、生産と消費のバランス、エネルギー損失の最小化、人や機器の安全確保、特に破滅的な失敗を避けることである。アプリケーションの重要性はそれ自体に目標を提供する一方で、この課題は、制御問題に対処する新たな可能性を提供するReinforcement Learning(RL)と呼ばれる人工知能(AI)の分野において、最先端の技術を推進することでもある。特に、Deep Reinforcement Learningと呼ばれるDeep LearningとRLの組み合わせのさまざまな側面は、このアプリケーションドメインで利用され続けています。この挑戦は"Learning to run a power network" (L2RPN)という名前で2019年に始まったシリーズに属する。この新版では、2050年までに炭素中立に達するためにRTEが提案したより現実的なシナリオを紹介し、化石燃料の発電を廃止し、再生可能エネルギーと核エネルギーの割合を増やし、電池を導入する。さらに,最先端強化学習アルゴリズムを用いたベースラインを提供し,今後の参加者を刺激する。

関連論文リスト

PowRL: A Reinforcement Learning Framework for Robust Management of Power Networks [2.9822184411723645]
本稿では,予期せぬネットワークイベントの影響を軽減するための強化学習フレームワークPowRLを提案する。 PowRLはL2RPN(Learning to Run a Power Network)がホストするさまざまな競合データセットでベンチマークされる
論文参考訳（メタデータ） (2022-12-05T16:22:12Z)
Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文参考訳（メタデータ） (2022-11-29T01:18:58Z)
Power Grid Congestion Management via Topology Optimization with AlphaZero [0.27998963147546135]
本稿では,AlphaZeroをベースとしたグリッドトポロジ最適化手法を提案する。 WCCI 2022ではL2RPN(Learning to Run a Power Network)コンペで1位にランクインした。
論文参考訳（メタデータ） (2022-11-10T14:39:28Z)
Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文参考訳（メタデータ） (2022-08-12T17:13:25Z)
Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文参考訳（メタデータ） (2021-10-18T00:50:34Z)
Modelling the transition to a low-carbon energy supply [91.3755431537592]
気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
論文参考訳（メタデータ） (2021-09-25T12:37:05Z)
Action Set Based Policy Optimization for Safe Power Grid Management [8.156111849078439]
電力グリッド管理のシーケンシャルな意思決定のために強化学習(RL)が採用されている。本稿では,探索に基づく計画アルゴリズム上に構築された新しい手法を提案する。 NeurIPS 2020 Learning to Run Power Network (L2RPN)コンペで、我々のソリューションは安全に電力網を管理し、両トラックで第1位となった。
論文参考訳（メタデータ） (2021-06-29T09:36:36Z)
Learning to run a Power Network Challenge: a Retrospective Analysis [6.442347402316506]
L2RPNの課題は、次世代の電力ネットワークにおける重要な問題に対する強化学習ソリューションの開発を促進することです。この課題の主な貢献は、提案された包括的なGrid2Opフレームワークと関連するベンチマークです。ベンチマークスイートを提示し、ベストエージェントによる超人的なパフォーマンス実証を観察し、挑戦の勝利解を解析する。
論文参考訳（メタデータ） (2021-03-02T09:52:24Z)
CityLearn: Standardizing Research in Multi-Agent Reinforcement Learning for Demand Response and Urban Energy Management [0.0]
米国では、建物は総電力需要の約70%を表し、需要応答は電力のピークを約20%削減する可能性があります。強化学習アルゴリズムはここ数年で関心が高まっている。 CityLearnはOpenAI Gym環境であり、研究者は要求応答のためにRLの実装を実装し、共有し、複製し、比較することができる。
論文参考訳（メタデータ） (2020-12-18T20:41:53Z)
Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文参考訳（メタデータ） (2020-02-21T02:14:38Z)
Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文参考訳（メタデータ） (2020-01-31T05:12:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。