論文の概要: Multi-Stage Transmission Line Flow Control Using Centralized and
Decentralized Reinforcement Learning Agents
- arxiv url: http://arxiv.org/abs/2102.08430v1
- Date: Tue, 16 Feb 2021 19:54:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 14:27:05.946329
- Title: Multi-Stage Transmission Line Flow Control Using Centralized and
Decentralized Reinforcement Learning Agents
- Title(参考訳): 集中分散強化学習エージェントを用いたマルチステージ伝送路フロー制御
- Authors: Xiumin Shang and Jinping Yang and Bingquan Zhu and Lin Ye and Jing
Zhang, Jianping Xu and Qin Lyu and Ruisheng Diao
- Abstract要約: 電力グリッドフロー制御問題はマルコフ決定過程(MDP)として定式化される
提案手法の有効性は、SGCC Zhejiang Electric Power Companyの電力グリッドの運用に使用される一連の実際の計画ケースで検証される。
- 参考スコア(独自算出の注目度): 4.371363189163314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning future operational scenarios of bulk power systems that meet
security and economic constraints typically requires intensive labor efforts in
performing massive simulations. To automate this process and relieve engineers'
burden, a novel multi-stage control approach is presented in this paper to
train centralized and decentralized reinforcement learning agents that can
automatically adjust grid controllers for regulating transmission line flows at
normal condition and under contingencies. The power grid flow control problem
is formulated as Markov Decision Process (MDP). At stage one, centralized soft
actor-critic (SAC) agent is trained to control generator active power outputs
in a wide area to control transmission line flows against specified security
limits. If line overloading issues remain unresolved, stage two is used to
train decentralized SAC agent via load throw-over at local substations. The
effectiveness of the proposed approach is verified on a series of actual
planning cases used for operating the power grid of SGCC Zhejiang Electric
Power Company.
- Abstract(参考訳): 安全と経済的な制約を満たすバルク電力システムの将来の運用シナリオの計画には、通常、大規模なシミュレーションを行うために集中的な労力を要する。
このプロセスを自動化し, 技術者の負担を軽減するため, 本論文では, 送電線の流れを正常かつ緊急に制御するためのグリッドコントローラを自動調整する, 集中型・分散化された強化学習エージェントを訓練するための, 新たな多段階制御手法を提案する。
電力グリッドフロー制御問題はマルコフ決定プロセス(MDP)として定式化される。
ステージ1では、集中型ソフトアクタークリティカル(SAC)エージェントが訓練され、広範囲の発電機のアクティブ出力を制御し、特定のセキュリティ限界に対する送信ラインフローを制御する。
ラインオーバーロードの問題が未解決のままである場合、ステージ2はローカルサブステーションでの負荷スローオーバーを通じて分散SACエージェントのトレーニングに使用される。
提案手法の有効性は、SGCC Zhejiang Electric Power Companyの電力グリッドの運用に使用される一連の実際の計画ケースで検証される。
関連論文リスト
- Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。
本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。
本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-10-15T06:28:21Z) - A Safe Reinforcement Learning Algorithm for Supervisory Control of Power
Plants [7.1771300511732585]
モデルフリー強化学習(RL)は、制御タスクのための有望なソリューションとして登場した。
本稿では,監督制御のための近似ポリシ最適化に基づく確率制約付きRLアルゴリズムを提案する。
本手法は, 原子力プラント設計における負荷追従操作において, 違反距離と違反率の最小化を実現するものである。
論文 参考訳(メタデータ) (2024-01-23T17:52:49Z) - A Scalable Network-Aware Multi-Agent Reinforcement Learning Framework
for Decentralized Inverter-based Voltage Control [9.437235548820505]
本稿では,分散型世代(DG)の増加に伴う電力グリッドの分散電圧制御に関する課題に対処する。
従来のモデルベース電圧制御法は、これらのDGの急激なエネルギー変動と不確実性に苦慮している。
本稿では,ネットワーク構造を利用したスケーラブルなネットワーク認識(SNA)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-07T15:42:53Z) - Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart
Grid [56.838297900091426]
高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。
提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
論文 参考訳(メタデータ) (2023-08-14T17:14:58Z) - Distributed-Training-and-Execution Multi-Agent Reinforcement Learning
for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。
エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。
このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文 参考訳(メタデータ) (2022-12-15T17:01:56Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳(メタデータ) (2022-06-08T07:48:42Z) - Multi-Agent Reinforcement Learning for Active Voltage Control on Power
Distribution Networks [2.992389186393994]
脱炭のトレンドは、配電ネットワークに過度なストレスをかけている。
アクティブ電圧制御は、余分なハードウェア投資をすることなく、電力混雑を緩和し、電圧品質を向上させるための有望な解決策と見なされている。
本稿では,Dec-POMDPの枠組みにおけるアクティブ電圧制御問題を定式化し,オープンソース環境を確立する。
論文 参考訳(メタデータ) (2021-10-27T09:31:22Z) - Improving Robustness of Reinforcement Learning for Power System Control
with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。
具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。
本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文 参考訳(メタデータ) (2021-10-18T00:50:34Z) - Reinforcement Learning based Proactive Control for Transmission Grid
Resilience to Wildfire [2.944988240451469]
山火事時の電力系統の運転には弾力性駆動型能動制御が必要である。
本研究では,テストベッド・テンポラル・ファイア・プロポーザルとアクティブ・パワー・システム・オペレーションを統合的に導入する。
提案手法は, 極端イベント時の負荷損失低減に有効であることを示す。
論文 参考訳(メタデータ) (2021-07-12T22:04:12Z) - Stable Online Control of Linear Time-Varying Systems [49.41696101740271]
COCO-LQは、大規模なLTVシステムの入出力安定性を保証する効率的なオンライン制御アルゴリズムである。
COCO-LQの性能を実証実験とパワーシステム周波数制御の両例で実証した。
論文 参考訳(メタデータ) (2021-04-29T06:18:49Z)
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。