Graph Reinforcement Learning in Power Grids: A Survey

要約

再生可能エネルギーと分散型発電によってもたらされる課題は、電力網のユースケースにおける従来の方法の柔軟性の欠如を克服するためのディープラーニングアプローチの開発を動機付けています。
GNN のアプリケーションは、電力網に存在するグラフ構造のデータから学習できるため、特に有望です。
RL と組み合わせると、グリッドの是正措置を決定するための制御アプローチとして機能します。
このレビューでは、電力網の固有のグラフ構造を捕捉して、さまざまな電力網の使用例における表現学習と意思決定を改善する GRL の機能を分析します。
送電網と配電網における一般的な問題を区別し、RL と GNN の間の相乗効果を調査します。
送電網では、GRL は通常、自動化された電力網管理とトポロジー制御に取り組みますが、配電側では、GRL は電圧調整に重点を置きます。
私たちは、グラフ構造と GNN モデル、適用された RL アルゴリズム、および全体的な貢献に基づいて、選択された論文を分析しました。
GRL は、予測不可能なイベントやノイズの多いデータまたは不完全なデータに直面した場合の適応性を実証しますが、この段階では主に概念実証として機能します。
実際の電力網運用への RL の適用を検討する場合、対処する必要がある未解決の課題と制限が複数あります。

要約(オリジナル)

The challenges posed by renewable energy and distributed electricity generation motivate the development of deep learning approaches to overcome the lack of flexibility of traditional methods in power grids use cases. The application of GNNs is particularly promising due to their ability to learn from graph-structured data present in power grids. Combined with RL, they can serve as control approaches to determine remedial grid actions. This review analyses the ability of GRL to capture the inherent graph structure of power grids to improve representation learning and decision making in different power grid use cases. It distinguishes between common problems in transmission and distribution grids and explores the synergy between RL and GNNs. In transmission grids, GRL typically addresses automated grid management and topology control, whereas on the distribution side, GRL concentrates more on voltage regulation. We analyzed the selected papers based on their graph structure and GNN model, the applied RL algorithm, and their overall contributions. Although GRL demonstrate adaptability in the face of unpredictable events and noisy or incomplete data, it primarily serves as a proof of concept at this stage. There are multiple open challenges and limitations that need to be addressed when considering the application of RL to real power grid operation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google