Fault Detection for agents on power grid topology optimization: A Comprehensive analysis

要約

深層強化学習 (DRL) を使用した伝送ネットワークのトポロジー最適化がますます注目を集めています。
さまざまな研究者がさまざまな DRL エージェントを提案しており、電力ネットワークの実行 (L2RPN) の課題から Grid2Op 環境でベンチマークされることがよくあります。
この環境には、現実的な慢性現象とその基礎となるパワー フロー バックエンドにより多くの利点があります。
ただし、さまざまな潜在的な原因が存在するため、エージェントの生存または失敗の解釈は必ずしも明確ではありません。
この研究では、電力網の障害に焦点を当ててパターンを特定し、アプリオリに検出します。
私たちは、WCCI 2022 L2RPN 環境上の 3 つの異なるエージェントの失敗した記録を収集し、合計約 40,000 のデータ ポイントを収集します。
クラスタリングにより、5 つの異なるクラスターを検出し、さまざまな障害タイプを識別できます。
さらに、事前に障害を検出し、5 つの異なるモデルを評価するマルチクラス予測アプローチを提案します。
ここでは、Light Gradient-Boosting Machine (LightGBM) が 86% の精度で最高のパフォーマンスを示しています。
また、91% の確率で障害と生存の観察を正確に識別します。
最後に、グリッド内の重要なフィーチャと領域を特定する詳細なフィーチャ重要度分析を提供します。

要約(オリジナル)

The topology optimization of transmission networks using Deep Reinforcement Learning (DRL) has increasingly come into focus. Various researchers have proposed different DRL agents, which are often benchmarked on the Grid2Op environment from the Learning to Run a Power Network (L2RPN) challenges. The environments have many advantages with their realistic chronics and underlying power flow backends. However, the interpretation of agent survival or failure is not always clear, as there are a variety of potential causes. In this work, we focus on the failures of the power grid to identify patterns and detect them a priori. We collect the failed chronics of three different agents on the WCCI 2022 L2RPN environment, totaling about 40k data points. By clustering, we are able to detect five distinct clusters, identifying different failure types. Further, we propose a multi-class prediction approach to detect failures beforehand and evaluate five different models. Here, the Light Gradient-Boosting Machine (LightGBM) shows the best performance, with an accuracy of 86%. It also correctly identifies in 91% of the time failure and survival observations. Finally, we provide a detailed feature importance analysis that identifies critical features and regions in the grid.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google