論文の概要: Networked Multiagent Safe Reinforcement Learning for Low-carbon Demand
Management in Distribution Network
- arxiv url: http://arxiv.org/abs/2311.15594v1
- Date: Mon, 27 Nov 2023 07:41:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 16:37:22.140282
- Title: Networked Multiagent Safe Reinforcement Learning for Low-carbon Demand
Management in Distribution Network
- Title（参考訳）: 配電網における低炭素需要管理のためのネットワーク型マルチエージェント安全強化学習
- Authors: Jichen Zhang, Linwei Sang, Yinliang Xu, Hongbin Sun
- Abstract要約: 本稿では,分散ネットワークにおける低炭素需要管理のためのマルチエージェントベースのバイレベル演算フレームワークを提案する。
上層では、集約負荷エージェントが各種負荷に対する制御信号を最適化し、利益を最大化する。
低レベルにおいては、分散ネットワークオペレータは、運用コストを最小限に抑えるために最適なディスパッチ決定を行う。
- 参考スコア（独自算出の注目度）: 4.391571144949347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a multiagent based bi-level operation framework for the
low-carbon demand management in distribution networks considering the carbon
emission allowance on the demand side. In the upper level, the aggregate load
agents optimize the control signals for various types of loads to maximize the
profits; in the lower level, the distribution network operator makes optimal
dispatching decisions to minimize the operational costs and calculates the
distribution locational marginal price and carbon intensity. The distributed
flexible load agent has only incomplete information of the distribution network
and cooperates with other agents using networked communication. Finally, the
problem is formulated into a networked multi-agent constrained Markov decision
process, which is solved using a safe reinforcement learning algorithm called
consensus multi-agent constrained policy optimization considering the carbon
emission allowance for each agent. Case studies with the IEEE 33-bus and
123-bus distribution network systems demonstrate the effectiveness of the
proposed approach, in terms of satisfying the carbon emission constraint on
demand side, ensuring the safe operation of the distribution network and
preserving privacy of both sides.
- Abstract（参考訳）: 本稿では,需要側の炭素排出削減を考慮した配電網における低炭素需要管理のためのマルチエージェント型biレベル運用フレームワークを提案する。
上層では、集約負荷エージェントが各種負荷の制御信号を最適化して利益を最大化し、下層では、配電網オペレータが運用コストを最小限に抑えるために最適な配電決定を行い、配電位置限界価格と炭素強度を算出する。
分散フレキシブルロードエージェントは、分散ネットワークの不完全な情報のみを有し、ネットワーク通信を用いた他のエージェントと協調する。
最後に、ネットワーク化されたマルチエージェント制約付きマルコフ決定プロセスに定式化し、各エージェントの炭素排出許容度を考慮したコンセンサスマルチエージェント制約付きポリシー最適化と呼ばれる安全な強化学習アルゴリズムを用いて解決する。
IEEE 33-bus と 123-bus の配電ネットワークシステムを用いたケーススタディでは,需要側における二酸化炭素排出量の制約を満たすこと,配電ネットワークの安全な運用を保証すること,および双方のプライバシを保護すること,提案手法の有効性が示されている。
関連論文リスト
- Adaptive Genetic Selection based Pinning Control with Asymmetric Coupling for Multi-Network Heterogeneous Vehicular Systems [8.454856509502733]
本稿では,異種マルチネットワーク車載アドホックネットワーク(VANET)のためのピンニング制御手法を提案する。
まず、単一および複数ネットワーク条件下でのピンニング制御戦略の安定性を証明し、厳密な理論基盤を確立する。
本理論に基づいて,最適ピンニングノードの選択に適した適応型遺伝的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-05T11:49:26Z) - Performance-Aware Self-Configurable Multi-Agent Networks: A Distributed Submodular Approach for Simultaneous Coordination and Network Design [3.5527561584422465]
本稿では、AlterNAting Coordination and Network-Design Algorithm(Anaconda)を紹介する。
Anacondaはスケーラブルなアルゴリズムで、ほぼ最適性を保証する。
地域モニタリングのシミュレーションシナリオを実演し,それを最先端のアルゴリズムと比較する。
論文 参考訳（メタデータ） (2024-09-02T18:11:33Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳（メタデータ） (2023-04-07T13:41:08Z) - Resource Allocation in Multicore Elastic Optical Networks: A Deep
Reinforcement Learning Approach [47.187609203210705]
新しい環境はOpenAIのGymと互換性がある。
ネットワーク状態と物理層関連の側面を考慮してエージェントアクションを処理する。
ベストパフォーマンス剤は、ブロッキング確率の4倍の低下を達成する。
論文 参考訳（メタデータ） (2022-07-05T14:24:21Z) - Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。
我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
論文 参考訳（メタデータ） (2021-12-03T19:23:48Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - Optimal transport in multilayer networks [68.8204255655161]
本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。
アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。
この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
論文 参考訳（メタデータ） (2021-06-14T07:33:09Z) - Learning-based decentralized offloading decision making in an
adversarial environment [1.9978675755638664]
Vehicular fog Computing (VFC) は、クラウドコンピューティング機能をインターネットの端にある分散フォグノードにプッシュする。
本稿では,対戦型マルチアームバンディット理論に基づく,バンドリットフィードバックを用いた新しい逆オンラインアルゴリズムを開発する。
理論的には、入力サイズ依存選択規則は、準最適動作を探索することなく、適切な霧ノードを選択することができる。
論文 参考訳（メタデータ） (2021-04-26T19:04:55Z) - Distributed Voltage Regulation of Active Distribution System Based on
Enhanced Multi-agent Deep Reinforcement Learning [9.7314654861242]
本稿では,スペクトルクラスタリングと拡張マルチエージェント深部強化学習(MADRL)アルゴリズムに基づくデータ駆動分散電圧制御手法を提案する。
提案手法は,システムパラメータの通信と知識の要求を大幅に低減することができる。
また、不確実性を効果的に処理し、最新のローカル情報に基づいたオンライン協調制御を提供する。
論文 参考訳（メタデータ） (2020-05-31T15:48:27Z) - Wireless Power Control via Counterfactual Optimization of Graph Neural
Networks [124.89036526192268]
本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。
コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。
次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
論文 参考訳（メタデータ） (2020-02-17T07:54:39Z)
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。