Fugu-MT 論文翻訳(概要): Physics-Informed Graph-Based Safe RL with Constraint-Specific Critics for Community Battery Coordination in Distribution Network

論文の概要: Physics-Informed Graph-Based Safe RL with Constraint-Specific Critics for Community Battery Coordination in Distribution Network

arxiv url: http://arxiv.org/abs/2610.33654v1
Date: Sat, 24 Oct 2026 13:11:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.416677
Title: Physics-Informed Graph-Based Safe RL with Constraint-Specific Critics for Community Battery Coordination in Distribution Network
Title（参考訳）: 分散ネットワークにおけるコミュニティバッテリ調整のための制約条件付き物理インフォームドグラフベース安全RL
Abstract要約: 本稿では,物理インフォームド・セーフ・ディープ・リジッション・ラーニング(DRL)フレームワークを提案する。ケーススタディでは、試験されたベースラインと比較して、キー電圧違反度を最大80.5%減少させる。
参考スコア（独自算出の注目度）: 11.077707489804206
License: http://creativecommons.org/licenses/by/4.0/
Abstract: High penetrations of distributed energy resources (DERs) and fast-varying electric vehicle (EV) charging intensify voltage and line-limit violations in distribution networks (DNs), making safe, low-cost operation increasingly challenging. This paper proposes a physics-informed safe deep reinforcement learning (DRL) framework for coordinating community battery energy storage systems to mitigate constraint violations while minimizing operating cost. To represent nonlocal spatiotemporal interactions, we develop a dual-level physics-informed graph representation in which line impedance and capacity shape spatial information propagation, while power-balance, voltage-profile, and flow-reconstruction losses regularize the latent state toward control-relevant physical consistency. Building on this representation, we develop Lagrangian Dedicated-Critic PPO (LDCPPO), which implements constraint-specific value decomposition: independent reward and cost critics preserve heterogeneous voltage- and line-loading-related learning signals and combine their advantages only during the Lagrangian policy update. Case studies on DNs with high rooftop photovoltaic penetration and EV charging demonstrate that the proposed method reduces the key voltage-violation degree by up to 80.5% compared with the tested baselines, while also achieving the lowest voltage-violation count and line-overload degree with competitive operating cost.
Abstract（参考訳）: 分散型エネルギー資源(DER)と高速変速電気自動車(EV)の高浸透は、配電網(DN)の電圧およびライン限界違反を増大させ、安全で低コストな運用をますます困難にしている。本報告では, 電力貯蔵システムの協調化を図り, 運用コストを最小化しながら制約違反を軽減するための物理インフォームドセーフ・ディープ・リテンシブ・ラーニング(DRL)フレームワークを提案する。非局所的な時空間相互作用を表現するために、電力バランス、電圧差、フロー再構成損失が制御関連物理整合性に向かって潜在状態を正則化しつつ、線インピーダンスと容量形状の空間情報伝搬を両レベルに表現するグラフ表現を開発する。この表現に基づいて,制約固有値分解を実装したLagrangian Dedicated-Critic PPO(LDCPPO)を開発した。屋根上光電気透過率とEV帯電率の高いDNのケーススタディでは,試験ベースラインと比較してキー電圧違反度を最大80.5%低減し,最低電圧違反数およびラインオーバーロード度を競争力のある運転コストで達成した。

関連論文リスト

Constraint-Aware Aggregation for Federated Reinforcement Learning in Microgrid Energy Coordination [1.675857332621569]
フェデレート強化学習(Federated Reinforcement Learning, FedRL)は、生のローカルデータを共有せずに、分散エネルギー資源の調整を可能にする。 FedAvgのような標準的なアグリゲーションメソッドは、システムレベルの制約を考慮せず、多くの場合、安全でないグローバルな振る舞いを引き起こす。ローカル性能と推定制約違反の両方をサーバ側の更新に組み込んだアグリゲーションルールを提案する。
論文参考訳（メタデータ） (2026-07-14T13:33:25Z)
Energy-Structured Low-Rank Adaptation for Continual Learning [78.5390284258307]
textbfEnergy-Concentrated and textbfEnergy-Ordered textbfLow-textbfRank textbfAdaptation (E$2$-LoRA)を提案する。 E$2$-LoRAは、知識を明示的に順序付けして上位のランクに集約することにより、その後のタスクの容量を解放する。
論文参考訳（メタデータ） (2026-05-26T12:55:02Z)
Safe Decentralized Operation of EV Virtual Power Plant with Limited Network Visibility via Multi-Agent Reinforcement Learning [6.02092443563717]
分散型エネルギー資源(DER)の急激な成長を加速させる再生可能エネルギー本研究では、現実的な情報制約下で複数のEVCSを協調する安全強化されたVPPフレームワークを提案する。現実的な33バスPDN実験により,提案手法は電圧違反を約45%削減し,運転コストを約10%削減することを示した。
論文参考訳（メタデータ） (2026-03-24T10:27:56Z)
Safe and Sustainable Electric Bus Charging Scheduling with Constrained Hierarchical DRL [43.715336081857394]
太陽光発電(PV)パネルなどの再生可能エネルギー源を備えた電気バス(EB)は、持続可能な低炭素公共交通を推進するための有望なアプローチである。本稿では,EB充電スケジューリング問題(EBCSP)を多ソース不確実性下で解決するための安全な深層強化学習フレームワークを提案する。我々は新しいHDRLアルゴリズム、すなわちDouble ActorCritic MultiAgent Proximal Policy Optimization Lagrangian(DACMAPPO-Lagrangian)を開発した。
論文参考訳（メタデータ） (2025-11-25T20:00:02Z)
Heterogeneous Multi-Agent Proximal Policy Optimization for Power Distribution System Restoration [4.46185759083096]
本稿では, 相互接続したマイクログリッド間の協調修復を実現するために, 不均一・エージェント強化学習フレームワークを適用した。その結果、HARLフレームワークにマイクログリッドレベルの不均一性を組み込むことで、複雑なPSD修復のためのスケーラブルで安定で制約対応のソリューションが得られることが示された。
論文参考訳（メタデータ） (2025-11-18T18:23:35Z)
PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文参考訳（メタデータ） (2025-08-29T01:47:27Z)
An Efficient Distributed Multi-Agent Reinforcement Learning for EV Charging Network Control [2.5477011559292175]
本稿では,EV所有者のプライバシ保護を優先する分散マルチエージェント強化学習(MARL)充電フレームワークを提案する。その結果、CTDEフレームワークは、ネットワークコストを削減し、充電ネットワークの性能を向上させることを示した。
論文参考訳（メタデータ） (2023-08-24T16:53:52Z)
A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
論文参考訳（メタデータ） (2023-06-25T13:10:38Z)
Dynamic Scheduling for Over-the-Air Federated Edge Learning with Energy Constraints [44.311278843238675]
アナログ勾配アグリゲーションを用いた空対空FEELシステムについて検討する。トレーニング性能を最適化するために,エネルギーを考慮した動的デバイススケジューリングアルゴリズムを提案する。高度に不均衡なローカルデータ分布の下では、提案アルゴリズムは精度を4.9%向上させることができる。
論文参考訳（メタデータ） (2021-05-31T08:55:02Z)
Enhancing the Spatio-temporal Observability of Grid-Edge Resources in Distribution Grids [5.815007821143811]
分散エネルギー資源(DER)の凸時間観測可能性を高めることは,配電網の安全かつ効率的な運用を実現する上で重要である。本稿では, 異種の測定値の補足強度を活用し, 集合的な住宅負荷回復枠組みについて述べる。
論文参考訳（メタデータ） (2021-02-15T19:12:54Z)

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。