文献

J-GLOBAL ID：202102264172834421   整理番号：21A0067929

強化学習を用いた発電機モデルパラメータキャリブレーション【JST・京大機械翻訳】

Generator Model Parameter Calibration Using Reinforcement Learning

著者 (5件)： Wu Wencheng (University of Rochester,Rochester Data Science Consortium) ,  Lin Lei (University of Rochester,Rochester Data Science Consortium) ,  Xu Beilei (University of Rochester,Rochester Data Science Consortium) ,  Wshah Safwan (University of Vermont,Vermont Complex Systems Center) ,  Elmoudi Ramadan (New York Power Authority, NYPA,NY,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IGESSC  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 数値モデルは電力系統運用において重要な役割を演じる。それらは,問題を同定し,移動能力を決定し,送電強化計画を開発するための計画研究に広く使用されている。これらのモデルは,時間的にこれらの目的を忠実に果たすために正確で更新する必要がある。本論文では,強化学習のフレームワークに電力系統における機械モデルに対するパラメータキャリブレーションの問題を定式化し,4バスシステム上の2パラメータ発電機モデルキャリブレーションのための深い決定論的ポリシー勾配(DDPG)の適用の実現可能性を実証した。DDPGの効率と精度を改善するために,メモリ忘却機構とダイナミックレンジ調整(DRA)を元のDDPG,すなわちDRA-DDPGに導入した。電力系統における部分的観測可能外乱状態によるパラメータ推定誤差を減らすために,著者らは,このシステムにおける未知外乱状態の有限集合(K)を収容するために,著者らの強化学習アルゴリズムを可能にする最大K-Nearest-Neighbor(KNN)報酬の概念を導入した。著者らの実験結果は,提案したDRA-DDPGが,精度と効率に関して,ベースラインDDPGより優れていて,提案した最大KNN報酬は,部分観測システム状態からの不確実性を解決するのに適していることを示した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  不確実性 ,  電力系統 ,  送電 ,  力学モデル ,  ダイナミックレンジ ,  系統運用 ,  基準線 ,  定式化 ,  *強化学習 ,  学習アルゴリズム
準シソーラス用語： 数値モデル ,  推定誤差 ,  決定論 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 強化学習 ,  発電機