| عنوان مقاله به انگلیسی | Blackout Mitigation via Physics-guided RL |
| عنوان مقاله به فارسی | کاهش خاموشی از طریق RL با هدایت فیزیک |
| نویسندگان | Anmol Dwivedi, Santiago Paternain, Ali Tajer |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | This paper considers the sequential design of remedial control actions in response to system anomalies for the ultimate objective of preventing blackouts. A physics-guided reinforcement learning (RL) framework is designed to identify effective sequences of real-time remedial look-ahead decisions accounting for the long-term impact on the system’s stability. The paper considers a space of control actions that involve both discrete-valued transmission line-switching decisions (line reconnections and removals) and continuous-valued generator adjustments. To identify an effective blackout mitigation policy, a physics-guided approach is designed that uses power-flow sensitivity factors associated with the power transmission network to guide the RL exploration during agent training. Comprehensive empirical evaluations using the open-source Grid2Op platform demonstrate the notable advantages of incorporating physical signals into RL decisions, establishing the gains of the proposed physics-guided approach compared to its black box counterparts. One important observation is that strategically~\emph{removing} transmission lines, in conjunction with multiple real-time generator adjustments, often renders effective long-term decisions that are likely to prevent or delay blackouts. |
| تعداد صفحات | 26 |
| چکیده به فارسی (ترجمه ماشینی) | در این مقاله ، طراحی متوالی اقدامات کنترل درمانی در پاسخ به ناهنجاری های سیستم برای هدف نهایی جلوگیری از خاموشی ها در نظر گرفته شده است.یک چارچوب یادگیری تقویت کننده فیزیک (RL) برای شناسایی توالی های مؤثر از تصمیم گیری های درمانی در زمان واقعی ، که برای تأثیر طولانی مدت بر ثبات سیستم حساب می شود ، طراحی شده است.این مقاله فضایی از اقدامات کنترل را در نظر می گیرد که شامل تصمیمات جابجایی خط انتقال با ارزش گسسته (اتصال مجدد خط و حذف) و تنظیمات ژنراتور با ارزش مداوم است.برای شناسایی یک خط مشی مؤثر در کاهش خاموشی ، یک رویکرد هدایت فیزیک طراحی شده است که از عوامل حساسیت جریان در ارتباط با شبکه انتقال نیرو برای هدایت اکتشاف RL در هنگام آموزش عامل استفاده می کند.ارزیابی های جامع تجربی با استفاده از پلتفرم Grid2OP منبع باز ، مزایای قابل توجه ترکیب سیگنال های فیزیکی را در تصمیمات RL نشان می دهد و دستاوردهای رویکرد پیشنهادی فیزیک را در مقایسه با همتایان جعبه سیاه خود ایجاد می کند.یک مشاهده مهم این است که خطوط انتقال استراتژیک ~ \ it {حذف} ، در رابطه با تعدیل چندین ژنراتور در زمان واقعی ، اغلب تصمیمات طولانی مدت مؤثر را ارائه می دهد که احتمالاً مانع یا تأخیر در خاموشی ها می شوند. |
| دسته بندی موضوعات | Systems and Control,Artificial Intelligence,سیستم و کنترل ، هوش مصنوعی ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.