論文の概要: Topology-Aware Graph Reinforcement Learning for Energy Storage Systems Optimal Dispatch in Distribution Networks

• arxiv url: http://arxiv.org/abs/2603.26264v1
• Date: Fri, 27 Mar 2026 10:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.452523
• Title: Topology-Aware Graph Reinforcement Learning for Energy Storage Systems Optimal Dispatch in Distribution Networks
• Title（参考訳）: 配電系統における最適分散系のトポロジーを考慮したグラフ強化学習
• Authors: Shuyi Gao, Stavros Orfanoudakis, Shengren Hou, Peter Palensky, Pedro P. Vergara,
• Abstract要約: 双遅延Deep Deterministic Policy Gradient(TD3)に基づくトポロジ対応強化学習アーキテクチャを開発する。 ESSディスパッチのためのグラフ特徴エンコーダとして3つのグラフニューラルネットワーク(GNN)について検討する。 その結果、GNNベースのコントローラは、電圧違反の数と大きさを一貫して減少させることがわかった。
• 参考スコア（独自算出の注目度）: 1.7616042687330642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal dispatch of energy storage systems (ESSs) in distribution networks involves jointly improving operating economy and voltage security under time-varying conditions and possible topology changes. To support fast online decision making, we develop a topology-aware Reinforcement Learning architecture based on Twin Delayed Deep Deterministic Policy Gradient (TD3), which integrates graph neural networks (GNNs) as graph feature encoders for ESS dispatch. We conduct a systematic investigation of three GNN variants: graph convolutional networks (GCNs), topology adaptive graph convolutional networks (TAGConv), and graph attention networks (GATs) on the 34-bus and 69-bus systems, and evaluate robustness under multiple topology reconfiguration cases as well as cross-system transfer between networks with different system sizes. Results show that GNN-based controllers consistently reduce the number and magnitude of voltage violations, with clearer benefits on the 69-bus system and under reconfiguration; on the 69-bus system, TD3-GCN and TD3-TAGConv also achieve lower saved cost relative to the NLP benchmark than the NN baseline. We also highlight that transfer gains are case-dependent, and zero-shot transfer between fundamentally different systems results in notable performance degradation and increased voltage magnitude violations. This work is available at: https://github.com/ShuyiGao/GNNs_RL_ESSs and https://github.com/distributionnetworksTUDelft/GNNs_RL_ESSs.
• Abstract（参考訳）: 配電網におけるエネルギー貯蔵システム(ESS)の最適配分は、時間変化条件下での運転経済と電圧セキュリティを共同で改善し、トポロジの変化が可能である。 高速なオンライン意思決定を支援するため,Twin Delayed Deep Deterministic Policy Gradient(TD3)に基づくトポロジ対応強化学習アーキテクチャを開発し,グラフニューラルネットワーク(GNN)をESSディスパッチ用のグラフ機能エンコーダとして統合する。 グラフ畳み込みネットワーク(GCN)、トポロジ適応グラフ畳み込みネットワーク(TAGConv)、34バスおよび69バスシステムにおけるグラフアテンションネットワーク(GAT)の3つのGNN変種を系統的に検討し、複数のトポロジ再構成ケースにおいてロバスト性を評価するとともに、異なるシステムサイズを持つネットワーク間のクロスシステム転送を評価する。 また,69バスシステムでは,TD3-GCNとTD3-TAGConvが,NLPベンチマークと比較して低コスト化を実現している。 また、転送利得はケース依存であり、基本的に異なるシステム間でのゼロショット転送は、顕著な性能劣化と電圧サイズ違反の増大をもたらすことも強調する。 https://github.com/ShuyiGao/GNNs_RL_ESSs and https://github.com/distributionnetworksTUDelft/GNNs_RL_ESSs

関連論文リスト

• Generalization of Graph Neural Network Models for Distribution Grid Fault Detection [2.183622338864934]
  本稿では、RNN+GNNパイプラインモデルにおいて、様々なグラフニューラルネットワーク(GNN)を体系的にベンチマークする。 我々の知る限り、我々は(i)最初にグラフSAGEとグラフアテンション(GAT, GATv2)をRGNNで断層診断に使用することを提案しました。 IEEE 123ノード分散ネットワークの実験結果から, RGATv2はより優れた一般化能力を有することが示された。
  論文  参考訳（メタデータ） (2025-10-03T23:46:31Z)
• Graph Neural Networks for Transmission Grid Topology Control: Busbar Information Asymmetry and Heterogeneous Representations [0.07646713951724009]
  トポロジー制御は混雑を緩和するための魅力的な手法であるが、従来のトポロジー発見のアプローチは実用的応用には遅すぎることが証明されている。 最近の研究は機械学習(ML)を効率的な代替手段として重視している。 本研究では,グラフ表現がトポロジ制御におけるGNNの有効性に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-01-13T10:31:36Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• 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)
• Graph Neural Networks for Power Allocation in Wireless Networks with Full Duplex Nodes [10.150768420975155]
  ユーザ間の相互干渉のため、無線ネットワークにおける電力割り当て問題はしばしば自明ではない。 グラフグラフニューラルネットワーク(GNN)は、これらの問題に対処するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを活用するアプローチである。
  論文  参考訳（メタデータ） (2023-03-27T10:59:09Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
  汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。 提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
  論文  参考訳（メタデータ） (2021-11-03T12:14:56Z)
• 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)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Fast Power Control Adaptation via Meta-Learning for Random Edge Graph Neural Networks [39.59987601426039]
  本稿では,時間変動トポロジに対する電力制御政策の迅速な適応を可能にする高レベル問題について検討する。 我々は,新しいネットワーク構成への数ショット適応を最適化するために,複数のトポロジのデータに一階のメタラーニングを適用した。
  論文  参考訳（メタデータ） (2021-05-02T12:43:10Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。