論文の概要: PowerZooJax: A JAX-based Power System Benchmark for Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.36052v1
• Date: Mon, 28 Sep 2026 18:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.929553
• Title: PowerZooJax: A JAX-based Power System Benchmark for Reinforcement Learning
• Title（参考訳）: PowerZooJax: 強化学習のためのJAXベースのパワーシステムベンチマーク
• Abstract要約: PowerZooJaxは、電力系統運用における強化学習のためのJAXベースのベンチマークスイートである。 生成、送信、分散、分散エネルギーリソース、データセンターマイクログリッドにまたがる5つの制約付きマルコフ決定プロセスタスクを提供する。 実験では、CPUベースのシミュレーションよりも大幅にスピードアップし、ポリシーリターン、安全違反、アウト・オブ・ディストリビューションストレス条件の標準化された評価がなされている。
• 参考スコア（独自算出の注目度）: 9.622343582436567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Power system operation is a safety-critical sequential decision-making problem, making it a natural testbed for reinforcement learning (RL). However, existing RL environments for power systems are often narrow in scope and computationally limited by CPU-based simulation workflows, making large-scale evaluation difficult. We introduce PowerZooJax, a JAX-based benchmark suite for RL in power system operation. It provides five constrained Markov decision process tasks spanning generation, transmission, distribution, distributed energy resources, and data center microgrid. By rewriting power flow, economic dispatch, market clearing, and device dynamics as JAX computation graphs, PowerZooJax keeps the entire training and evaluation loop on the GPU. Experiments show substantial speedups over CPU-based simulations and demonstrate standardized evaluation of policy returns, safety violations, and out-of-distribution stress conditions. Our open-source benchmark is available at: https://github.com/powerzoojax/PowerZooJax.
• Abstract（参考訳）: 電力系統の運用は、安全クリティカルなシーケンシャルな意思決定の問題であり、強化学習(RL)の自然なテストベッドとなっている。 しかし、電力システムの既存のRL環境はスコープが狭く、CPUベースのシミュレーションワークフローによって計算的に制限されることが多く、大規模な評価が困難になる。 本稿では、電力系統運用におけるRLのためのJAXベースのベンチマークスイートであるPowerZooJaxを紹介する。 生成、送信、分散、分散エネルギーリソース、データセンターマイクログリッドにまたがる5つの制約付きマルコフ決定プロセスタスクを提供する。 PowerZooJaxは、電力フロー、経済的ディスパッチ、市場クリア、およびJAX計算グラフとしてデバイスダイナミクスを書き換えることで、GPUのトレーニングと評価ループ全体を維持できる。 実験では、CPUベースのシミュレーションよりも大幅にスピードアップし、ポリシーリターン、安全違反、アウト・オブ・ディストリビューションストレス条件の標準化された評価を実証した。 オープンソースのベンチマークは、https://github.com/powerzoojax/PowerZooJax.comで公開しています。

関連論文リスト

• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• JuliaGrid: An Open-Source Julia-Based Framework for Power System State Estimation [1.4266139268684632]
  JuliaGridはオープンソースのフレームワークで、複数のプラットフォームにわたるハイパフォーマンス実行用に設計されている。 可観測性解析、重み付けされた最小二乗および絶対値推定器、悪いデータ分析、およびファサー測定に関連する様々なアルゴリズムを実装している。 JuliaGridは準定常解析のために特別に設計されており、パフォーマンスを高めるために計算データの自動検出と再利用を行う。
  論文  参考訳（メタデータ） (2025-02-25T14:13:14Z)
• JaxMARL: Multi-Agent RL Environments and Algorithms in JAX [105.343918678781]
  我々は、GPU対応の効率と多くの一般的なMARL環境のサポートを組み合わせた、最初のオープンソースPythonベースのライブラリであるJaxMARLを紹介します。 我々の実験は、壁時計時間の観点から、JAXベースのトレーニングパイプラインが既存のアプローチの約14倍高速であることを示している。 また、人気の高いStarCraft Multi-Agent ChallengeのJAXベースの近似的な再実装であるSMAXを紹介し、ベンチマークする。
  論文  参考訳（メタデータ） (2023-11-16T18:58:43Z)

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。