論文の概要: WFCRL: A Multi-Agent Reinforcement Learning Benchmark for Wind Farm Control

• arxiv url: http://arxiv.org/abs/2501.13592v1
• Date: Thu, 23 Jan 2025 12:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:55:02.067129
• Title: WFCRL: A Multi-Agent Reinforcement Learning Benchmark for Wind Farm Control
• Title（参考訳）: WFCRL:風力発電制御のためのマルチエージェント強化学習ベンチマーク
• Authors: Claire Bizon Monroc, Ana Bušić, Donatien Dubuc, Jiamin Zhu,
• Abstract要約: 風力発電制御問題に対するマルチエージェント強化学習環境の最初のオープンスイートであるWFCRL(Wind Farm Control with Reinforcement Learning)を紹介する。 それぞれのタービンはエージェントであり、ヨー、ピッチ、トルクを調整することで共通の目的を最大化することができる。 各シミュレーターには、実際の風力発電所を含む10ドルの風のレイアウトが提供される。
• 参考スコア（独自算出の注目度）: 0.9374652839580183
• License:
• Abstract: The wind farm control problem is challenging, since conventional model-based control strategies require tractable models of complex aerodynamical interactions between the turbines and suffer from the curse of dimension when the number of turbines increases. Recently, model-free and multi-agent reinforcement learning approaches have been used to address this challenge. In this article, we introduce WFCRL (Wind Farm Control with Reinforcement Learning), the first open suite of multi-agent reinforcement learning environments for the wind farm control problem. WFCRL frames a cooperative Multi-Agent Reinforcement Learning (MARL) problem: each turbine is an agent and can learn to adjust its yaw, pitch or torque to maximize the common objective (e.g. the total power production of the farm). WFCRL also offers turbine load observations that will allow to optimize the farm performance while limiting turbine structural damages. Interfaces with two state-of-the-art farm simulators are implemented in WFCRL: a static simulator (FLORIS) and a dynamic simulator (FAST.Farm). For each simulator, $10$ wind layouts are provided, including $5$ real wind farms. Two state-of-the-art online MARL algorithms are implemented to illustrate the scaling challenges. As learning online on FAST.Farm is highly time-consuming, WFCRL offers the possibility of designing transfer learning strategies from FLORIS to FAST.Farm.
• Abstract（参考訳）: 従来のモデルに基づく制御戦略では、タービン間の複雑な空力相互作用の抽出可能なモデルが必要であり、タービンの数が増えると寸法の呪いに悩まされるため、風力発電の制御問題は難しい。 近年,モデルフリー・マルチエージェント強化学習手法が採用されている。 本稿では,風力発電制御問題に対するマルチエージェント強化学習環境のオープンスイートWFCRL(Wind Farm Control with Reinforcement Learning)を紹介する。 WFCRLは、MARL(Multi-Agent Reinforcement Learning)問題(MARL:Multi-Agent Reinforcement Learning)の枠組みを定めている。 WFCRLはタービンの荷重観測も提供しており、タービンの構造的な損傷を抑えながら農場の性能を最適化することができる。 WFCRLには静的シミュレータ(FLORIS)と動的シミュレータ(FAST.Farm)という2つの最先端のファームシミュレータを持つインタフェースが実装されている。 各シミュレーターには、実際の風力発電所を含む10ドルの風のレイアウトが提供される。 スケーリングの課題を説明するために、最先端のオンラインMARLアルゴリズムが2つ実装されている。 FAST.Farmのオンライン学習には非常に時間がかかるため、WFCRLはFLORISからFAST.Farmへの移行学習戦略を設計する可能性を提供している。

関連論文リスト

• Wind turbine condition monitoring based on intra- and inter-farm federated learning [0.0]
  風力エネルギーにおける多くのAI応用は、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所の運用データを使用することで恩恵を受けることができる。 フェデレーテッド・ラーニングは、この文脈で、プライバシを保存する分散機械学習のアプローチとして登場した。 我々は、異なる風力発電所とタービンモデル間の協調や、同じ風力発電所とタービンモデルに制限された協力など、様々な連合学習戦略について検討する。
  論文  参考訳（メタデータ） (2024-09-05T16:25:30Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Reinforcement learning to maximise wind turbine energy generation [0.8437187555622164]
  本研究では,ロータ速度,ロータヨー角,ブレードピッチ角を積極的に変化させることで,風力タービンのエネルギー発生を制御するための強化学習戦略を提案する。 優先体験再生剤を用いた二重深度Q-ラーニングとブレード要素運動量モデルとを結合し、風の変化を制御できるように訓練する。 エージェントは、単純な定常風に対して最適な制御(速度、ヨー、ピッチ)を決定するように訓練され、その後、実際の動的乱流風に挑戦され、良好な性能を示す。
  論文  参考訳（メタデータ） (2024-02-17T21:35:13Z)
• Collective Large-scale Wind Farm Multivariate Power Output Control Based on Hierarchical Communication Multi-Agent Proximal Policy Optimization [5.062455071500403]
  風力発電は世界中の再生可能エネルギーの重要な供給源になりつつある。 風力発電の電力管理は、これらの農場に固有の高度システムの複雑さのために大きな課題に直面している。 この課題に対処するために, 大規模風力発電多変量制御を学習する新しいコミュニケーション型マルチエージェント深部強化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T12:26:08Z)
• On Transforming Reinforcement Learning by Transformer: The Development Trajectory [97.79247023389445]
  Transformerは元々自然言語処理用に開発されたもので、コンピュータビジョンでも大きな成功を収めている。 既存の開発をアーキテクチャ拡張と軌道最適化の2つのカテゴリに分類する。 ロボット操作,テキストベースのゲーム,ナビゲーション,自律運転におけるTRLの主な応用について検討する。
  論文  参考訳（メタデータ） (2022-12-29T03:15:59Z)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• Skip Training for Multi-Agent Reinforcement Learning Controller for Industrial Wave Energy Converters [94.84709449845352]
  近年のウェーブ・エナジー・コンバータ(WEC)は、発電を最大化するために複数の脚と発電機を備えている。 従来のコントローラは複雑な波のパターンを捕捉する制限を示しており、コントローラはエネルギー捕獲を効率的に最大化する必要がある。 本稿では,従来のスプリングダンパよりも優れたマルチエージェント強化学習コントローラ(MARL)を提案する。
  論文  参考訳（メタデータ） (2022-09-13T00:20:31Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Efficient Transformers in Reinforcement Learning using Actor-Learner Distillation [91.05073136215886]
  「Actor-Learner Distillation」は、大容量学習者モデルから小容量学習者モデルへ学習の進捗を移す。 Actor-Learner Distillation を用いて,トランスフォーマー学習モデルの明確なサンプル効率向上を再現する,いくつかの挑戦的なメモリ環境を実証する。
  論文  参考訳（メタデータ） (2021-04-04T17:56:34Z)
• UPDeT: Universal Multi-agent Reinforcement Learning via Policy Decoupling with Transformers [108.92194081987967]
  タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。 従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。 提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
  論文  参考訳（メタデータ） (2021-01-20T07:24:24Z)
• Scalable Optimization for Wind Farm Control using Coordination Graphs [5.56699571220921]
  風力発電の制御装置は、グリッドオペレータによって課される電力需要と農場の電力生産を一致させるために必要である。 風力タービン間の複雑な依存関係が存在するため、これは非自明な最適化問題である。 本研究では,スパースな風力場構造を利用して最適化問題を推定する風力場制御の新しい学習方法を提案する。
  論文  参考訳（メタデータ） (2021-01-19T20:12:30Z)

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。