論文の概要: Learning Topology Actions for Power Grid Control: A Graph-Based Soft-Label Imitation Learning Approach

• arxiv url: http://arxiv.org/abs/2503.15190v1
• Date: Wed, 19 Mar 2025 13:21:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:42.288668
• Title: Learning Topology Actions for Power Grid Control: A Graph-Based Soft-Label Imitation Learning Approach
• Title（参考訳）: 電力グリッド制御のためのトポロジーの学習行動:グラフに基づくソフトラベル模倣学習アプローチ
• Authors: Mohamed Hassouna, Clara Holzhüter, Malte Lehna, Matthijs de Jong, Jan Viebahn, Bernhard Sick, Christoph Scholz,
• Abstract要約: 我々は、渋滞管理に適したグリッドトポロジを見つけるために、新しいImitation Learning (IL)アプローチを導入する。 単一の最適なアクションを強制するためにハードラベルに依存する従来のILメソッドとは異なり、我々の手法はアクションよりもソフトラベルを構築する。 意思決定をさらに強化するため、電力グリッドの構造特性を符号化するためにグラフニューラルネットワーク(GNN)を統合する。
• 参考スコア（独自算出の注目度）: 1.438236614765323
• License:
• Abstract: The rising proportion of renewable energy in the electricity mix introduces significant operational challenges for power grid operators. Effective power grid management demands adaptive decision-making strategies capable of handling dynamic conditions. With the increase in complexity, more and more Deep Learning (DL) approaches have been proposed to find suitable grid topologies for congestion management. In this work, we contribute to this research by introducing a novel Imitation Learning (IL) approach that leverages soft labels derived from simulated topological action outcomes, thereby capturing multiple viable actions per state. Unlike traditional IL methods that rely on hard labels to enforce a single optimal action, our method constructs soft labels over actions, by leveraging effective actions that prove suitable in resolving grid congestion. To further enhance decision-making, we integrate Graph Neural Networks (GNNs) to encode the structural properties of power grids, ensuring that the topology-aware representations contribute to better agent performance. Our approach significantly outperforms state-of-the-art baselines, all of which use only topological actions, as well as feedforward and GNN-based architectures with hard labels. Most notably, it achieves a 17% better performance compared to the greedy expert agent from which the imitation targets were derived.
• Abstract（参考訳）: 電力混合における再生可能エネルギーの割合の増加は、電力グリッドオペレーターにとって重大な運用上の課題をもたらす。 効率的な電力グリッド管理は、動的条件を扱うことができる適応的な意思決定戦略を要求する。 複雑さの増大に伴い、渋滞管理に適したグリッドトポロジを見つけるために、より多くのディープラーニング(DL)アプローチが提案されている。 本研究は, 模擬トポロジカル行動結果から得られたソフトラベルを利用して, 状態毎に複数の実行可能な動作をキャプチャするImitation Learning (IL) 手法を導入することで, 本研究に寄与する。 単一の最適な動作を強制するためにハードラベルに依存する従来のIL法とは異なり,本手法では,グリッドの混雑解消に適した効果的な動作を活用することで,ソフトラベルを動作の上に構築する。 意思決定をさらに強化するため、我々はグラフニューラルネットワーク(GNN)を統合して電力グリッドの構造特性を符号化し、トポロジ対応表現がより良いエージェント性能に寄与することを保証した。 当社のアプローチは、トポロジカルなアクションのみを使用する最先端のベースラインや、ハードなラベルを持つフィードフォワードやGNNベースのアーキテクチャよりも優れています。 最も顕著なのは、模倣対象が導出されるグリーディの専門家エージェントよりも17%パフォーマンスが向上している点である。

関連論文リスト

• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• State and Action Factorization in Power Grids [47.65236082304256]
  状態と行動成分の相関関係をデータに基づいて推定するドメインに依存しないアルゴリズムを提案する。 このアルゴリズムはGrid2Opシミュレータで得られた電力グリッドベンチマークで検証される。
  論文  参考訳（メタデータ） (2024-09-03T15:00:58Z)
• Multi-Agent Reinforcement Learning for Power Control in Wireless Networks via Adaptive Graphs [1.1861167902268832]
  多エージェント深部強化学習(MADRL)は、電力制御のような幅広い複雑な最適化問題に対処するための有望な手法として登場した。 本稿では,これらの課題を緩和する有効な手段として,分散エージェント間の通信誘導構造としてグラフを用いることを提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:25:40Z)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• Solving AC Power Flow with Graph Neural Networks under Realistic Constraints [3.114162328765758]
  本稿では,現実的な制約下での交流電力流問題の解法として,グラフニューラルネットワークアーキテクチャを提案する。 本稿では,グラフニューラルネットワークを用いて電力フローの物理的制約を学習するフレームワークの開発を実演する。
  論文  参考訳（メタデータ） (2022-04-14T14:49:34Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially Observable Environments [9.067091068256747]
  本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。 以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
  論文  参考訳（メタデータ） (2021-09-05T09:51:25Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)

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。