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の最適化がますます注目されています。
さまざまな DRL エージェントが提案されていますが、そのほとんどは、Learning to Run a Power Network (L2RPN) の課題から Grid2Op 環境でベンチマークされています。
この環境には、現実的なグリッド シナリオと基盤となるパワー 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、パターンを特定し、事前に検出するために電力網シミュレーションの障害に焦点を当てます。
WCCI 2022 L2RPN 環境上の 3 つの異なるエージェントの失敗したシナリオを収集し、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、一般的な障害タイプを特定できます。
さらに、障害を事前に検出し、5 つの異なる予測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 82% の精度で最高の故障予測パフォーマンスを示しています。
また、87% のケースでグリッドが存続するか失敗するかを正確に分類します。
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)

Optimizing the topology of transmission networks using Deep Reinforcement Learning (DRL) has increasingly come into focus. Various DRL agents have been proposed, which are mostly benchmarked on the Grid2Op environment from the Learning to Run a Power Network (L2RPN) challenges. The environments have many advantages with their realistic grid scenarios 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 simulation to identify patterns and detect them in advance. We collect the failed scenarios 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 common failure types. Further, we propose a multi-class prediction approach to detect failures beforehand and evaluate five different prediction models. Here, the Light Gradient-Boosting Machine (LightGBM) shows the best failure prediction performance, with an accuracy of 82%. It also accurately classifies whether a the grid survives or fails in 87% of cases. 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