論文の概要: Bayesian Reinforcement Learning for Automatic Voltage Control under Cyber-Induced Uncertainty

• arxiv url: http://arxiv.org/abs/2305.16469v1
• Date: Thu, 25 May 2023 20:58:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 18:16:38.240753
• Title: Bayesian Reinforcement Learning for Automatic Voltage Control under Cyber-Induced Uncertainty
• Title（参考訳）: サイバー不確実性を考慮した自動電圧制御のためのベイズ強化学習
• Authors: Abhijeet Sahu and Katherine Davis
• Abstract要約: 本研究では,電力系統制御問題に対するベイズ強化学習(BRL)手法を提案する。 サイバー攻撃環境における不確実性の下での持続的な電圧制御に焦点を当てている。 BRL技術は、様々なRL技術における探索と利用のしきい値を自動的に見つけるのに役立つ。
• 参考スコア（独自算出の注目度）: 0.533024001730262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Voltage control is crucial to large-scale power system reliable operation, as timely reactive power support can help prevent widespread outages. However, there is currently no built in mechanism for power systems to ensure that the voltage control objective to maintain reliable operation will survive or sustain the uncertainty caused under adversary presence. Hence, this work introduces a Bayesian Reinforcement Learning (BRL) approach for power system control problems, with focus on sustained voltage control under uncertainty in a cyber-adversarial environment. This work proposes a data-driven BRL-based approach for automatic voltage control by formulating and solving a Partially-Observable Markov Decision Problem (POMDP), where the states are partially observable due to cyber intrusions. The techniques are evaluated on the WSCC and IEEE 14 bus systems. Additionally, BRL techniques assist in automatically finding a threshold for exploration and exploitation in various RL techniques.
• Abstract（参考訳）: 電圧制御は大規模な電力系統の信頼性の高い運用において重要である。 しかし、信頼性の高い動作を維持するための電圧制御の目的が、敵対的な存在下で生じる不確実性を維持するか、維持されることを保証するための電力系統の機構が現在構築されていない。 そこで本研究では,電力系統制御問題に対するベイズ強化学習(BRL)アプローチを導入し,サイバー環境における不確実性を考慮した持続電圧制御に着目した。 本研究は、部分観測可能なマルコフ決定問題(POMDP)を定式化して解決することにより、自動電圧制御のためのデータ駆動BRLベースのアプローチを提案する。 この技術はWSCCとIEEE 14バスシステムで評価される。 さらに、BRL技術は、様々なRL技術における探索と利用のしきい値を自動的に見つけるのに役立つ。

関連論文リスト

• Robust Deep Reinforcement Learning for Inverter-based Volt-Var Control in Partially Observable Distribution Networks [11.073055284983626]
  DRLベースのアプローチの大きな問題は、アクティブな分散ネットワークにおける測定デプロイメントの制限である。 このような問題に対処するために,保守的な批評家と代理的な報酬を持つ堅牢なDRLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-13T10:02:10Z)
• 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)
• Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
  本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。 さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
  論文  参考訳（メタデータ） (2022-06-08T07:48:42Z)
• Contingency-constrained economic dispatch with safe reinforcement learning [7.133681867718039]
  強化学習ベース(RL)コントローラはこの課題に対処できるが、それ自体が安全保証を提供することはできない。 本稿では,経済派遣のための公式なRLコントローラを提案する。 従来の制約を時間依存制約によって拡張する。 安全でないアクションは安全なアクション空間に投影され、制約付きゾノトペ集合表現を計算効率に活用する。
  論文  参考訳（メタデータ） (2022-05-12T16:52:48Z)
• Safe Reinforcement Learning for Grid Voltage Control [0.0]
  緊急時の電力系統の電圧安定性を回復するための標準手法として, 電圧負荷低減が検討されている。 本稿では,制約付き最適化手法とバリア関数に基づく2つの新しい安全なRL手法について論じる。
  論文  参考訳（メタデータ） (2021-12-02T18:34:50Z)
• Multi-Agent Reinforcement Learning for Active Voltage Control on Power Distribution Networks [2.992389186393994]
  脱炭のトレンドは、配電ネットワークに過度なストレスをかけている。 アクティブ電圧制御は、余分なハードウェア投資をすることなく、電力混雑を緩和し、電圧品質を向上させるための有望な解決策と見なされている。 本稿では,Dec-POMDPの枠組みにおけるアクティブ電圧制御問題を定式化し,オープンソース環境を確立する。
  論文  参考訳（メタデータ） (2021-10-27T09:31:22Z)
• 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)
• Learning Robust Hybrid Control Barrier Functions for Uncertain Systems [68.30783663518821]
  我々は,ロバストな安全を確保する制御則を合成する手段として,ロバストなハイブリッド制御障壁関数を提案する。 この概念に基づき,データからロバストなハイブリッド制御障壁関数を学習するための最適化問題を定式化する。 我々の技術は、モデル不確実性の対象となるコンパス歩行歩行者の魅力領域を安全に拡張することを可能にする。
  論文  参考訳（メタデータ） (2021-01-16T17:53:35Z)
• Enforcing robust control guarantees within neural network policies [76.00287474159973]
  本稿では、ニューラルネットワークによってパラメータ化され、ロバスト制御と同じ証明可能なロバスト性基準を適用した、一般的な非線形制御ポリシークラスを提案する。 提案手法は,複数の領域において有効であり,既存のロバスト制御法よりも平均ケース性能が向上し,(非ロバスト)深部RL法よりも最悪のケース安定性が向上した。
  論文  参考訳（メタデータ） (2020-11-16T17:14:59Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。