論文の概要: Power Grid Control with Graph-Based Distributed Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2509.02861v1
• Date: Tue, 02 Sep 2025 22:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.35558
• Title: Power Grid Control with Graph-Based Distributed Reinforcement Learning
• Title（参考訳）: グラフに基づく分散強化学習による電力グリッド制御
• Authors: Carlo Fabrizio, Gianvito Losapio, Marco Mussi, Alberto Maria Metelli, Marcello Restelli,
• Abstract要約: この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
• 参考スコア（独自算出の注目度）: 60.49805771047161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The necessary integration of renewable energy sources, combined with the expanding scale of power networks, presents significant challenges in controlling modern power grids. Traditional control systems, which are human and optimization-based, struggle to adapt and to scale in such an evolving context, motivating the exploration of more dynamic and distributed control strategies. This work advances a graph-based distributed reinforcement learning framework for real-time, scalable grid management. The proposed architecture consists of a network of distributed low-level agents acting on individual power lines and coordinated by a high-level manager agent. A Graph Neural Network (GNN) is employed to encode the network's topological information within the single low-level agent's observation. To accelerate convergence and enhance learning stability, the framework integrates imitation learning and potential-based reward shaping. In contrast to conventional decentralized approaches that decompose only the action space while relying on global observations, this method also decomposes the observation space. Each low-level agent acts based on a structured and informative local view of the environment constructed through the GNN. Experiments on the Grid2Op simulation environment show the effectiveness of the approach, which consistently outperforms the standard baseline commonly adopted in the field. Additionally, the proposed model proves to be much more computationally efficient than the simulation-based Expert method.
• Abstract（参考訳）: 再生可能エネルギー源の必要な統合と電力網の規模拡大が組み合わさって、現代の電力網の制御において大きな課題が浮かび上がっている。 従来の制御システムは、人間と最適化に基づくもので、このような進化した文脈で適応とスケールに苦慮し、よりダイナミックで分散的な制御戦略の探求を動機付けている。 この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 提案アーキテクチャは、個々の電力線に作用する分散低レベルのエージェントのネットワークで構成され、高レベルのマネージャエージェントによって調整される。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 このフレームワークは、収束を加速し、学習安定性を高めるために、模倣学習とポテンシャルに基づく報酬形成を統合する。 地球観測に依存しながら行動空間のみを分解する従来の分散型アプローチとは対照的に、この手法は観測空間も分解する。 各低レベルエージェントは、GNNを通して構築された環境の構造化された情報的ローカルビューに基づいて機能する。 Grid2Opシミュレーション環境での実験は、この分野で一般的に採用されている標準ベースラインを一貫して上回るアプローチの有効性を示している。 さらに,提案手法はシミュレーションに基づくExpert法よりも計算効率がよいことを示す。

関連論文リスト

• Graph Neural Networks for Jamming Source Localization [0.23408308015481666]
  ソースローカライゼーションを妨害するグラフベースの学習の最初の応用について紹介する。 提案手法は,局所および大域的な信号集約を符号化する構造化ノード表現を統合する。 その結果,新しいグラフベースの学習フレームワークは,確立されたローカライゼーションベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-06-01T14:29:25Z)
• Learning Topology Actions for Power Grid Control: A Graph-Based Soft-Label Imitation Learning Approach [1.438236614765323]
  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。 一つ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動作の有効性を捉えるソフトラベルを構築している。 我々のアプローチは、最先端のDeep Reinforcement Learning(DRL)ベースラインエージェントと同様に、ハードラベルのエージェントよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-03-19T13:21:18Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• 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)
• 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)
• 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)
• Decentralized Control with Graph Neural Networks [147.84766857793247]
  分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。 GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。 分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
  論文  参考訳（メタデータ） (2020-12-29T18:59:14Z)

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。