論文の概要: Reinforcement Learning based Proactive Control for Transmission Grid Resilience to Wildfire

• arxiv url: http://arxiv.org/abs/2107.05756v1
• Date: Mon, 12 Jul 2021 22:04:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:33:32.311583
• Title: Reinforcement Learning based Proactive Control for Transmission Grid Resilience to Wildfire
• Title（参考訳）: 強化学習による山火事に対する送電網の弾力性制御
• Authors: Salah U. Kadir, Subir Majumder, Ajay D. Chhokra, Abhishek Dubey, Himanshu Neema, Aron Laszka, Anurag K. Srivastava
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.944988240451469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power grid operation subject to an extreme event requires decision-making by human operators under stressful condition with high cognitive load. Decision support under adverse dynamic events, specially if forecasted, can be supplemented by intelligent proactive control. Power system operation during wildfires require resiliency-driven proactive control for load shedding, line switching and resource allocation considering the dynamics of the wildfire and failure propagation. However, possible number of line- and load-switching in a large system during an event make traditional prediction-driven and stochastic approaches computationally intractable, leading operators to often use greedy algorithms. We model and solve the proactive control problem as a Markov decision process and introduce an integrated testbed for spatio-temporal wildfire propagation and proactive power-system operation. We transform the enormous wildfire-propagation observation space and utilize it as part of a heuristic for proactive de-energization of transmission assets. We integrate this heuristic with a reinforcement-learning based proactive policy for controlling the generating assets. Our approach allows this controller to provide setpoints for a part of the generation fleet, while a myopic operator can determine the setpoints for the remaining set, which results in a symbiotic action. We evaluate our approach utilizing the IEEE 24-node system mapped on a hypothetical terrain. Our results show that the proposed approach can help the operator to reduce load loss during an extreme event, reduce power flow through lines that are to be de-energized, and reduce the likelihood of infeasible power-flow solutions, which would indicate violation of short-term thermal limits of transmission lines.
• Abstract（参考訳）: 極端なイベントの電力グリッド操作には、認知負荷の高いストレス条件下での人間の操作者による意思決定が必要である。 有害な動的事象、特に予測された場合の意思決定支援は、インテリジェントなプロアクティブ制御によって補うことができる。 ワイルドファイア時の電力系統の運用には、ワイルドファイアのダイナミクスと障害伝播を考慮した負荷シェディング、ラインスイッチング、リソース割り当てに対するレジリエンス駆動の積極的な制御が必要である。 しかし、イベント中の大規模システムにおける行数や負荷スイッチングの可能性は、従来の予測駆動の確率論的アプローチを計算的に難解にし、演算子はしばしば欲求的なアルゴリズムを使う。 我々は, マルコフ決定過程としてプロアクティブ制御問題をモデル化, 解決し, 時空間ワイルドファイア伝播とプロアクティブパワーシステム運用のための統合テストベッドを導入する。 我々は、巨大な野火伝播観測空間を変換し、伝達資産の積極的な非エネルギー化のためのヒューリスティックの一部として利用する。 このヒューリスティックを強化学習に基づく積極的な政策と統合し,生成資産の制御を行う。 提案手法により,この制御器は生成系の一部にセットポイントを供給でき,一方,筋電図演算器は残りのセットのセットポイントを決定でき,共生作用をもたらす。 仮説的な地形にマッピングされたIEEE 24ノードシステムを用いて,本手法の評価を行った。 提案手法は, 極端事象時の負荷損失を低減し, 脱エネルギー線を通した電力流量を低減し, 送電線の短期的熱限界に違反する可能性の低減に有効であることを示す。

関連論文リスト

• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• 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)
• Blackout Mitigation via Physics-guided RL [17.807967857394406]
  本稿では,ブラックアウト防止の究極の目的として,システム異常に応答する修復的制御行動の逐次設計について考察する。 物理誘導型強化学習フレームワークは、リアルタイム・リメディアル・ルックアヘッド決定の効果的なシーケンスを特定するように設計されている。
  論文  参考訳（メタデータ） (2024-01-17T23:27:36Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• 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)
• Adversarially Robust Learning for Security-Constrained Optimal Power Flow [55.816266355623085]
  我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
  論文  参考訳（メタデータ） (2021-11-12T22:08:10Z)
• 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)
• Secondary control activation analysed and predicted with explainable AI [0.0]
  ドイツにおける二次制御の活性化のための説明可能な機械学習モデルを構築した。 我々の分析は、ドイツの電力システムに高い予備需要をもたらすドライバーを明らかにしている。
  論文  参考訳（メタデータ） (2021-09-10T11:39:53Z)
• Learning-based decentralized offloading decision making in an adversarial environment [1.9978675755638664]
  Vehicular fog Computing (VFC) は、クラウドコンピューティング機能をインターネットの端にある分散フォグノードにプッシュする。 本稿では,対戦型マルチアームバンディット理論に基づく,バンドリットフィードバックを用いた新しい逆オンラインアルゴリズムを開発する。 理論的には、入力サイズ依存選択規則は、準最適動作を探索することなく、適切な霧ノードを選択することができる。
  論文  参考訳（メタデータ） (2021-04-26T19:04:55Z)
• Multi-Stage Transmission Line Flow Control Using Centralized and Decentralized Reinforcement Learning Agents [4.371363189163314]
  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。
  論文  参考訳（メタデータ） (2021-02-16T19:54:30Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。