論文の概要: Agentic-AI based Mathematical Framework for Commercialization of Energy Resilience in Electrical Distribution System Planning and Operation

• arxiv url: http://arxiv.org/abs/2508.04170v1
• Date: Wed, 06 Aug 2025 07:49:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.605119
• Title: Agentic-AI based Mathematical Framework for Commercialization of Energy Resilience in Electrical Distribution System Planning and Operation
• Title（参考訳）: 電気配電系統計画・運用におけるエネルギーレジリエンスの商業化のためのエージェントAIに基づく数学的枠組み
• Authors: Aniket Johri, Divyanshi Dwivedi, Mayukha Pal,
• Abstract要約: 本稿では,PPO(Dual-Adnt Proximal Policy Optimization)と市場ベースのメカニズムを統合する新しいフレームワークを提案する。 このフレームワークは10回の試験で平均レジリエンススコア0.85 0.08を達成する。 総合報酬関数は、レジリエンス向上目標と市場利益性のバランスをとるように設計されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The increasing vulnerability of electrical distribution systems to extreme weather events and cyber threats necessitates the development of economically viable frameworks for resilience enhancement. While existing approaches focus primarily on technical resilience metrics and enhancement strategies, there remains a significant gap in establishing market-driven mechanisms that can effectively commercialize resilience features while optimizing their deployment through intelligent decision-making. Moreover, traditional optimization approaches for distribution network reconfiguration often fail to dynamically adapt to both normal and emergency conditions. This paper introduces a novel framework integrating dual-agent Proximal Policy Optimization (PPO) with market-based mechanisms, achieving an average resilience score of 0.85 0.08 over 10 test episodes. The proposed architecture leverages a dual-agent PPO scheme, where a strategic agent selects optimal DER-driven switching configurations, while a tactical agent fine-tunes individual switch states and grid preferences under budget and weather constraints. These agents interact within a custom-built dynamic simulation environment that models stochastic calamity events, budget limits, and resilience-cost trade-offs. A comprehensive reward function is designed that balances resilience enhancement objectives with market profitability (with up to 200x reward incentives, resulting in 85% of actions during calamity steps selecting configurations with 4 DERs), incorporating factors such as load recovery speed, system robustness, and customer satisfaction. Over 10 test episodes, the framework achieved a benefit-cost ratio of 0.12 0.01, demonstrating sustainable market incentives for resilience investment. This framework creates sustainable market incentives
• Abstract（参考訳）: 極度の気象イベントやサイバー脅威に対する電配システムの脆弱性の増加は、レジリエンス強化のための経済的に実行可能なフレームワークの開発を必要としている。 既存のアプローチは主に技術的レジリエンスのメトリクスと強化戦略に重点を置いているが、インテリジェントな意思決定を通じてデプロイメントを最適化しながら、レジリエンス機能を効果的に商用化する市場主導のメカニズムを確立するには、大きなギャップがある。 さらに、分散ネットワーク再構成における従来の最適化手法は、通常条件と緊急条件の両方に動的に適応できないことが多い。 本稿では,PPO(Dual-Adnt Proximal Policy Optimization)と市場ベースのメカニズムを統合した新しいフレームワークを提案する。 提案アーキテクチャでは,戦略的エージェントが最適なDER駆動スイッチング構成を選択し,戦術エージェントが予算や天候制約下で個々のスイッチ状態とグリッドの選好を微調整する。 これらのエージェントは、確率的キャラミリティイベント、予算制限、レジリエンスコストのトレードオフをモデル化するカスタム構築された動的シミュレーション環境内で相互作用する。 総合的な報酬関数は、レジリエンス向上目標と市場利益性(最大200倍の報酬インセンティブ、その結果、キャラミティステップ中の85%のアクション)のバランスをとるように設計されており、負荷回復速度、システムの堅牢性、顧客満足度などの要因が組み込まれている。 10回の試験で、このフレームワークは利益-コスト比0.12 0.01を達成し、レジリエンス投資のための持続可能な市場インセンティブを実証した。 この枠組みは持続可能な市場インセンティブを生み出す

関連論文リスト

• MARS: A Meta-Adaptive Reinforcement Learning Framework for Risk-Aware Multi-Agent Portfolio Management [7.740995234462868]
  強化 学習は、自動ポートフォリオ管理において大きな可能性を秘めている。 リスク認識システム(MARS)のためのメタ制御エージェントを提案する。 MARSは異種エージェントアンサンブルを使用しており、各エージェントは固有の固有のリスクプロファイルを持っている。
  論文  参考訳（メタデータ） (2025-08-02T03:23:41Z)
• CyGATE: Game-Theoretic Cyber Attack-Defense Engine for Patch Strategy Optimization [73.13843039509386]
  本稿では,攻撃と防御の相互作用をモデル化するゲーム理論フレームワークCyGATEを提案する。 CyGATEはサイバー・キル・チェーン(Cyber Kill Chain)の段階にわたって、サイバー紛争を部分的に観察可能なゲーム(POSG)として捉えている。 フレームワークの柔軟なアーキテクチャは、マルチエージェントシナリオの拡張を可能にする。
  論文  参考訳（メタデータ） (2025-08-01T09:53:06Z)
• An Explainable Equity-Aware P2P Energy Trading Framework for Socio-Economically Diverse Microgrid [0.0]
  本稿では、多目的混合整数線形プログラミング(MILP)、協調ゲーム理論、強化学習(RL)によって駆動される動的エクイティ調整機構を統合する新しいフレームワークを提案する。 この枠組みは、最大72.6%のピーク需要削減と、大きな協力的な利益を示す。
  論文  参考訳（メタデータ） (2025-07-24T18:38:51Z)
• Dynamic Reinsurance Treaty Bidding via Multi-Agent Reinforcement Learning [0.0]
  本稿では,再保証条約入札のための新しいマルチエージェント強化学習(MARL)フレームワークを開発する。 MARLエージェントは、最大15%高い引受利益、20%低い尾リスク、25%以上のシャープ比の改善を達成する。 これらの結果は、MARLがより透明性があり、適応的で、リスクに敏感なリシュアランス市場への道を開くことを示唆している。
  論文  参考訳（メタデータ） (2025-06-16T05:43:22Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• A Hybrid Framework for Reinsurance Optimization: Integrating Generative Models and Reinforcement Learning [0.0]
  再保険の最適化は、保険会社にとってリスク露光の管理、金融安定の確保、解決性維持に不可欠である。 伝統的なアプローチは、しばしば動的なクレーム分布、高次元の制約、市場条件の進化に苦しむ。 本稿では、生成モデルと強化学習を統合した新しいハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-11T02:02:32Z)
• A Novel Multiagent Flexibility Aggregation Framework [1.7132914341329848]
  本稿では,多エージェントアーキテクチャを包含する新たなDERアグリゲーションフレームワークを提案する。 アーキテクチャの重要なコンポーネントのひとつはローカルフレキシビリティ・エスペクタ(LFE)エージェントです。
  論文  参考訳（メタデータ） (2023-07-17T11:36:15Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)
• VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit Feedback [104.06766271716774]
  本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。 まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。 当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
  論文  参考訳（メタデータ） (2020-04-19T18:00:58Z)
• 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。