論文の概要: Robustness of Reinforcement Learning-Based Congestion Management in Low-Voltage Grids

• arxiv url: http://arxiv.org/abs/2607.16004v1
• Date: Fri, 17 Jul 2026 14:39:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.875018
• Title: Robustness of Reinforcement Learning-Based Congestion Management in Low-Voltage Grids
• Title（参考訳）: 低電圧グリッドにおける強化学習に基づく混雑管理のロバスト性
• Authors: Josef Hoppe, Sarra Bouchkati, Farah Nasr, Jonathan Krapp, Alexander Och, Maximilian Wirth, Jan Schiefelbein-Lach, Oliver Pohl, Andreas Ulbig, Michael T. Schaub,
• Abstract要約: 本研究は、ランダムフォレスト違反事前分類器とアクタクリティカルコントローラを組み合わせることにより、混雑検知と制御を分離する。 このフレームワークは、可観測性と制御性の低い合成将来の運用シナリオを使用して、実際の低電圧グリッド上でテストされる。
• 参考スコア（独自算出の注目度）: 39.64197235904564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increases in photovoltaic generation, charging of electric vehicles and heat-pump demand challenge operating limits in low-voltage distribution grids. This requires curative curtailment methods that can operate under sparse observability, noisy measurements, and imperfect grid models. Unlike prior end-to-end reinforcement-learning approaches for partially observable curtailment, this work decouples congestion detection and control by combining a random-forest violation pre-classifier with an actor-critic controller, and evaluates its robustness to measurement noise and grid-parameter mismatch. The framework is tested on a real low-voltage grid using synthetic future operating scenarios with low observability and controllability. With accurate grid parameters, the controller reduces total violation magnitude by 98.9%, and this performance remains nearly unchanged under the tested measurement-noise settings. Grid-model mismatch proves to be more challenging, but the controller still mitigates most violations under the tested mismatch assumptions.
• Abstract（参考訳）: 太陽光発電の増加、電気自動車の充電、低電圧配電網の運転限界に対するヒートポンプ需要の挑戦。 これは、スパースオブザーバビリティ、ノイズ測定、不完全なグリッドモデルの下で動作可能なキュレーティブな補正方法を必要とする。 この研究は、部分的に観測可能な補正のための事前のエンドツーエンド強化学習アプローチとは異なり、ランダムフォレスト違反事前分類器とアクター・クリティック・コントローラを組み合わせることで、混雑検知と制御を分離し、ノイズやグリッド・パラメータのミスマッチの測定に頑健さを評価する。 このフレームワークは、可観測性と制御性の低い合成将来の運用シナリオを使用して、実際の低電圧グリッド上でテストされる。 正確なグリッドパラメータでは、コントローラは総違反の規模を98.9%削減し、この性能は試験された測定ノイズ設定の下でほとんど変わらないままである。 グリッドモデルのミスマッチは、より難しいことを証明していますが、コントローラはテストされたミスマッチの仮定の下で、ほとんどの違反を軽減します。

関連論文リスト

• Residual-Conservative Model Predictive Path Integral Control [0.0]
  本稿では, 予測実行残差を用いて, 安全保守をオンラインで調整するサンプリングベースMPCフレームワークを提案する。 RC-MPPIは、残留依存性制約強化、適応型安全コスト整形、残留適応サンプリング変調の3つの結合メカニズムを組み合わせたものである。
  論文  参考訳（メタデータ） (2026-07-08T03:23:39Z)
• Automatically Adaptive Conformal Risk Control [49.95190019041905]
  本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。 我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
  論文  参考訳（メタデータ） (2024-06-25T08:29:32Z)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• Constrained Reinforcement Learning using Distributional Representation for Trustworthy Quadrotor UAV Tracking Control [2.325021848829375]
  本研究では, 未知の空力効果に対する分散強化学習障害推定器を統合した新しいトラジェクトリトラッカーを提案する。 提案手法は, 空気力学効果の真値と推定値の不確かさを正確に同定する。 本システムは,最近の技術と比較して,累積追尾誤差を少なくとも70%改善することを示した。
  論文  参考訳（メタデータ） (2023-02-22T23:15:56Z)
• Regret-optimal Estimation and Control [52.28457815067461]
  後悔最適推定器と後悔最適制御器は状態空間形式で導出可能であることを示す。 非線形力学系に対するモデル予測制御(MPC)と拡張KalmanFilter(EKF)の残差最適類似性を提案する。
  論文  参考訳（メタデータ） (2021-06-22T23:14:21Z)

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。