arXiv:2212.14156

Decentralized Voltage Control with Peer-to-peer Energy Trading in a Distribution Network

Chen Feng, Andrew L. Lu, Yihsu Chen

제출 2022-12-29

원문 초록

Utilizing distributed renewable and energy storage resources via peer-to-peer (P2P) energy trading has long been touted as a solution to improve energy system's resilience and sustainability. Consumers and prosumers (those who have energy generation resources), however, do not have expertise to engage in repeated P2P trading, and the zero-marginal costs of renewables present challenges in determining fair market prices. To address these issues, we propose a multi-agent reinforcement learning (MARL) framework to help automate consumers' bidding and management of their solar PV and energy storage resources, under a specific P2P clearing mechanism that utilizes the so-called supply-demand ratio. In addition, we show how the MARL framework can integrate physical network constraints to realize decentralized voltage control, hence ensuring physical feasibility of the P2P energy trading and paving ways for real-world implementations.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.26123v1cs.NI공통 태그 Management, Multi-agent Reinforcement Learning

6G SD-RAN에서 동적 VR 슬라이스 관리를 위한 프라이버시 인식 에이전트 협업

Privacy-Aware Agent Collaboration for Dynamic VR Slice Management in 6G SD-RAN

6G 네트워크에서 가상현실(VR) 서비스에는 초저지연과 높은 처리량이 필요하며, 이는 소프트웨어 정의 무선 액세스 네트워크(Software-Defined Radio Access Network, SD-RAN)의 동적 자원 관리에 중대한 과제를 제기한다. 본 연구는 VR 슬라이스 관리를 위한 이동성 기반, 프라이버시 인식 다중 에이전트 강화학습(Multi-Agent Reinforcement Learning, MARL) 프레임워크를 제안하며, 협력적 에이전트들이 사용자 데이터의 프라이버시를 보호하면서 end-to-end VR 링크 전반에 걸친 자원 분배를 최대화한다. 우리 접근법은 효과적이고 안전한 에이전트 협업을 촉진하기 위해 이동성 예측과 정보 병목(information bottleneck) 인코더를 통합한다. 시뮬레이션에서 전통적 방법과의 비교를 수행한 결과, 처리량이 최대 34% 향상되고, 자원 사용이 28% 감소하며, 프라이버시 유출이 85% 줄어들어, 미래 6G 환경에서 신뢰할 수 있는 몰입형 VR 경험을 보장한다.

arXiv:2606.31584v3cs.NE공통 태그 Multi-agent Reinforcement Learning

공정 예산 연속 및 이산 벤치마크에서 MMAO의 대규모 실증 평가

A Large-Scale Empirical Evaluation of MMAO Under Fair-Budget Continuous and Discrete Benchmarks

본 논문은 프레임워크 자체를 다시 소개하는 대신, 더 엄격한 경험적 프로토콜 하에서 대사 다중 에이전트 최적화기(MMAO)를 평가한다. 연구는 MMAO의 폐루프 자원 할당 원리가 더 광범위하고 더 표준적이며 예산이 더 명시적으로 통제된 연속 및 이산 벤치마크에서도 신뢰성을 유지하는지를 묻는다. 완료된 주요 행렬은 각각 20개 시드를 갖는 10D와 30D의 CEC2017 함수 8개와 각각 20개 시드를 갖는 TSPLIB 인스턴스 5개를 다루며, PSO-lite, ES-lite, 반복 탐욕 2-opt 경로 기준선을 포함한 더 강력한 재현 가능 기준선과 함께 평가한다. 여기에 공동 예산, 성공률, 역할 진화, 개체군 교체에 대한 궤적 수준 진단을 추가하고, 이산 증거를 경로 문제 너머로 확장하기 위해 보조적인 OR-Library 다중 배낭 문제 일부도 더한다. 이 프로토콜 하에서 MMAO는 연속 영역과 TSPLIB 영역 모두에서 외부 기준선 집합을 뚜렷하게 능가하며, 제거 변형들은 외부 기준선보다 전체 방법에 훨씬 더 가깝게 유지된다. 결과는 시험한 영역 전반에서 내생적 자원 재분배를 뒷받침하지만, 더 정밀한 메커니즘 분리와 더 폭넓은 대회 수준 비교는 열린 과제로 남는다.

arXiv:2606.21666v2cs.AI공통 태그 Multi-agent Reinforcement Learning

모순 판정기가 보고된 팀원의 오류를 환각으로 계수하였다: 한 다중 에이전트 LLM 하니스에 대한 주장 인식 재채점

A Contradiction Judge Counted Reported Teammate Errors as Hallucinations: An Assertion-Aware Re-Score of One Multi-Agent LLM Harness

환각을 채점하는 LLM 판정기는 참조 사실과 모순되는 모든 진술에 표시를 한다. 다중 에이전트 LLM 시스템의 에이전트들은 서로의 주장을 인용하고 반박하므로, 이러한 판정기는 팀원의 오류에 대한 올바른 보고를 환각으로 계수할 수 있다. 이 연구의 이전 버전인 프리프린트(arXiv:2606.21666v1)는 브로드캐스팅이 환각률을 0.492에서 0.658로(+34%) 높였다고 보고하고 이를 오염이라고 불렀으나, 이번 버전은 그 주장을 철회하며, 해당 프리프린트의 실행은 재채점할 수 없다. 해당 하니스의 미공개 개정판은 0.289에서 0.554로(+0.265, 95% CI [0.225, 0.305]) 증가했다고 보고하였으며, 그 저장된 출력을 여기서 재채점한다. 어떤 판정기 호출보다도 먼저 확정된 분석 계획에 따라, 서로 다른 세 업체의 판정기 세 개가 1,832개 출력에 담긴 여섯 개 사실 각각을 잘못 주장됨, 다른 출처에 귀속됨, 올바르게 주장됨, 또는 부재로 labeling하였다. 출력이 자신의 값으로 주장하는 값에 대해, 브로드캐스트 효과는 Full-Broadcast 시행 10회에서 -0.0208(95% CI [-0.0458, +0.0041])이었으며, 이는 0과 구별되지 않고, 사후 설정한 ±0.0663의 한계와 계획된 프롬프트 하에서만 0과 동등하다. 이러한 LLM 판정기 레이블에서, 팀원의 잘못된 값에 대한 보고가 Haiku 여행 효과의 거의 전부를 설명하였다. 언급 여부로 채점했을 때 판정기들은 그 효과를 재현하였다(+0.1996). Llama 에이전트의 경우 팀원 출력 40개 중 2개가 잘못된 목적지를 주장하였다. Claude 판정기-프롬프트 조합 열두 개 중 하나가 주장 기준의 증가를 보였다(Sonnet 4.6, 하나의 의역: +0.0246, 95% CI [+0.0055, +0.0436]). 에이전트와 같은 Claude 모델이 판정한, 조건별 새 시행 40회에서 주장 기준 차이는 두 판정기가 모두 동의했을 때 -0.0505였고, 어느 한쪽이라도 동의했을 때 +0.0161(95% CI [+0.0024, +0.0299])이었다. 주된 한계: 레이블에 사람의 검증이 없으며, 출력 120개에 대한 사람 레이블은 보류 중이다. 출력은 하나의 하니스와 손으로 작성한 13개 시나리오에서 나온 것이므로 그 비율은 다른 환경으로 전이되지 않는다.

arXiv:2606.25480v2cs.MA공통 태그 Multi-agent Reinforcement Learning

간섭 제한 다중 UAV 네트워크를 위한 전송률 인지 양자 영감 궤적 학습

Rate-Aware Quantum-Inspired Trajectory Learning for Interference-Limited Multi-UAV Networks

무인 항공기(UAV)를 공중 기지국으로 배치하는 문제는 비볼록이며 조합적이므로, 실용적인 방법들은 먼저 연속적인 공역을 균일 격자나 클러스터링 중심점 같은 유한한 후보 위치 집합으로 이산화한 뒤 그 집합 위에서 최적화한다. 유클리드 거리만으로 구성된 후보 집합은 채널을 고려하지 않아, 가시선 확률과 전체 주파수 재사용 하에서 달성 가능한 전송률을 제한하는 동일 채널 간섭을 무시한다. 어떤 최적화기도 후보 집합에 없는 위치는 선택할 수 없으므로, 기하학적 구성이 놓친 좋은 위치는 탐색이 시작되기도 전에 사라진다. 본 논문은 후보 집합 자체를 최적화 대상으로 삼는 2단계 프레임워크인 전송률 인지 양자 지원 그래프 응축(Rate-Aware Quantum-Assisted Graph Condensation, RA-QAGC)을 제안한다. 첫 번째 단계는 계층 가중 달성 가능 전송률, 평균 동일 채널 간섭, 명시적인 최소 전송률 페널티를 내장한 비용을 어닐링하여 후보 집합을 구성하며, 그 결과 간결하고 이동 가능한 경유지 그래프를 얻는다. 두 번째 단계는 분산형 독립 Q-러닝 에이전트로 해당 그래프 위의 궤적을 학습하며, 중앙집중식 결합 행동 테이블을 UAV당 하나의 간결한 테이블로 대체한다. RA-QAGC는 최근의 그래프 신경망 및 심층 Q-네트워크 기법을 포함한 일곱 가지 기준 방법보다 우선순위 계층 처리량을 21--54\% 향상시키며, 총 처리량에서는 유의미한 손실이 없고, 편대 밀도가 높아질수록 격차가 커진다. 또한 최근 항공 네트워킹 연구에서 옹호하는 양자 영감 수락 규칙을 검토하였으며, 그 터널링 하한이 시험한 어떤 편대 규모에서도 고전적 시뮬레이티드 어닐링에 비해 측정 가능한 이점을 제공하지 않는 반면, 어닐링 자체는 탐욕적 배치와 무작위 배치를 명확히 능가함을 보고한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.