論文の概要: Graph-Enhanced Model-Free Reinforcement Learning Agents for Efficient Power Grid Topological Control

• arxiv url: http://arxiv.org/abs/2503.20688v1
• Date: Wed, 26 Mar 2025 16:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:20:49.948588
• Title: Graph-Enhanced Model-Free Reinforcement Learning Agents for Efficient Power Grid Topological Control
• Title（参考訳）: 効率的な電力グリッドトポロジ制御のためのグラフ強化モデルフリー強化学習エージェント
• Authors: Eloy Anguiano Batanero, Ángela Fernández, Álvaro Barbero,
• Abstract要約: 本稿では,従来の知識を使わずに電力ネットワークの運用を最適化することを目的とした,強化学習のモデルフリーフレームワークにおける新しいアプローチを提案する。 提案手法は,停電に対するグリッド安定性を確保しつつ,一貫した電力損失削減を実現することを実証する。
• 参考スコア（独自算出の注目度）: 0.24578723416255752
• License:
• Abstract: The increasing complexity of power grid management, driven by the emergence of prosumers and the demand for cleaner energy solutions, has needed innovative approaches to ensure stability and efficiency. This paper presents a novel approach within the model-free framework of reinforcement learning, aimed at optimizing power network operations without prior expert knowledge. We introduce a masked topological action space, enabling agents to explore diverse strategies for cost reduction while maintaining reliable service using the state logic as a guide for choosing proper actions. Through extensive experimentation across 20 different scenarios in a simulated 5-substation environment, we demonstrate that our approach achieves a consistent reduction in power losses, while ensuring grid stability against potential blackouts. The results underscore the effectiveness of combining dynamic observation formalization with opponent-based training, showing a viable way for autonomous management solutions in modern energy systems or even for building a foundational model for this field.
• Abstract（参考訳）: 電力グリッド管理の複雑さは、プロシューマーの出現とよりクリーンなエネルギーソリューションの需要によって増大し、安定性と効率を確保するために革新的なアプローチを必要としてきた。 本稿では,従来の知識を使わずに電力ネットワークの運用を最適化することを目的とした,強化学習のモデルフリーフレームワークにおける新しいアプローチを提案する。 エージェントが適切な行動を選択するためのガイドとして状態論理を用いて信頼性の高いサービスを維持しながら、コスト削減のための多様な戦略を探索できるマスク付きトポロジカルアクション空間を導入する。 シミュレーションされた5サブステーション環境における20のシナリオにわたる広範囲な実験を通じて,本手法は停電に対するグリッド安定性を確保しつつ,一貫した電力損失低減を実現することを実証した。 その結果、動的観察形式化と対戦型トレーニングを組み合わせることで、現代のエネルギーシステムにおける自律的管理ソリューションや、この分野の基礎モデルの構築に有効な方法が示された。

関連論文リスト

• Towards Efficient Multi-Objective Optimisation for Real-World Power Grid Topology Control [0.1806830971023738]
  グリッドトポロジ制御のための二相・効率的・スケーラブルな多目的最適化(MOO)手法を提案する。 欧州送信システムオペレータ(TSO)であるTenneTの履歴データを用いて,我々のアプローチを検証する。 グリッド運用における現在の渋滞コストと非効率性に基づいて、TSOによる我々のアプローチを採用することで、年間数百万ユーロの節約が期待できる。
  論文  参考訳（メタデータ） (2025-01-24T21:40:19Z)
• Optimizing Load Scheduling in Power Grids Using Reinforcement Learning and Markov Decision Processes [0.0]
  本稿では,動的負荷スケジューリングの課題に対処する強化学習(RL)手法を提案する。 提案手法は実時間負荷スケジューリングのためのロバストでスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2024-10-23T09:16:22Z)
• AI-Driven approach for sustainable extraction of earth's subsurface renewable energy while minimizing seismic activity [44.99833362998488]
  地球の地殻に流体を注入すると、地震を誘発または引き起こすことがある。 本研究では,人間による震度制御のための強化学習に基づく新しい手法を提案する。 本研究では,強化学習アルゴリズムが頑健な制御器と効率的に対話可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-07T10:06:04Z)
• Distributed Management of Fluctuating Energy Resources in Dynamic Networked Systems [3.716849174391564]
  本稿では,複数のDERからなるシステムにおけるエネルギー共有問題について検討する。 我々はこの問題を,各ノードのエネルギー生産限界に対応する制約付き帯域凸最適化問題としてモデル化する。 そこで我々は, 動的後悔という概念をパフォーマンス指標として活用する, 定式化問題を解決するために, 分散意思決定ポリシーを提案する。
  論文  参考訳（メタデータ） (2024-05-29T11:54:11Z)
• DREAM: Decentralized Reinforcement Learning for Exploration and Efficient Energy Management in Multi-Robot Systems [14.266876062352424]
  資源制約されたロボットは、しばしばエネルギー不足、不適切なタスク割り当てによる計算能力の不足、動的環境における堅牢性の欠如に悩まされる。 本稿では,マルチロボットシステムにおける探索と効率的なエネルギー管理のための分散強化学習DREAMを紹介する。
  論文  参考訳（メタデータ） (2023-09-29T17:43:41Z)
• 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)
• 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)
• A Multi-Agent Deep Reinforcement Learning Approach for a Distributed Energy Marketplace in Smart Grids [58.666456917115056]
  本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。 提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
  論文  参考訳（メタデータ） (2020-09-23T02:17:51Z)
• Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
  エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする 本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。 提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:10:16Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。