HUGO — Highlighting Unseen Grid Options: Combining Deep Reinforcement Learning with a Heuristic Target Topology Approach

要約

再生可能エネルギー (RE) 発電の増加に伴い、電力網の運用はますます複雑になっています。
解決策の 1 つは、自動化されたグリッド運用です。深層強化学習 (DRL) は、電力ネットワークの実行の学習 (L2RPN) の課題において大きな可能性を繰り返し示しています。
ただし、ほとんどの既存の DRL アルゴリズムによるトポロジー最適化の対象となるのは、変電所レベルの個々のアクションのみです。
対照的に、このホワイト ペーパーでは、特定のターゲット トポロジ (TT) をアクションとして提案することで、より包括的なアプローチを提案します。
これらのトポロジは、その堅牢性に基づいて選択されます。
このペーパーの一部として、TT を見つけて、以前に開発した DRL エージェント CurriculumAgent (CAgent) を新しいトポロジ エージェントにアップグレードするための検索アルゴリズムを紹介します。
アップグレードを以前の CAgent エージェントと比較したところ、スコアが 10% 大幅に向上しました。
さらに、TT を含めると生存期間中央値が 25% 向上しました。
その後の分析では、ほぼすべての TT が基本トポロジに近いことが示され、その堅牢性が説明されています。

要約(オリジナル)

With the growth of Renewable Energy (RE) generation, the operation of power grids has become increasingly complex. One solution is automated grid operation, where Deep Reinforcement Learning (DRL) has repeatedly shown significant potential in Learning to Run a Power Network (L2RPN) challenges. However, only individual actions at the substation level have been subjected to topology optimization by most existing DRL algorithms. In contrast, we propose a more holistic approach in this paper by proposing specific Target Topologies (TTs) as actions. These topologies are selected based on their robustness. As part of this paper, we present a search algorithm to find the TTs and upgrade our previously developed DRL agent CurriculumAgent (CAgent) to a novel topology agent. We compare the upgrade to the previous CAgent agent and can increase their scores significantly by 10%. Further, we achieve a 25% better median survival with our TTs included. Later analysis shows that almost all TTs are close to the base topology, explaining their robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google