CommonPower: A Framework for Safe Data-Driven Smart Grid Control

要約

電力システム管理の複雑さの高まりにより、強化学習（RL）への関心が高まっています。
それらの有効性を検証するには、RLアルゴリズムを複数のケーススタディで評価する必要があります。
ケーススタディの設計は、多くの側面を考慮する必要がある困難なタスクであり、その中では、利用可能な予測の影響と制御構造における分散化のレベルです。
さらに、バニラRLコントローラー自体がシステムの制約の満足度を確保することはできません。これにより、システムを展開する前に、すべてのケーススタディに保護メカニズムを考案することが必要になります。
これらの欠点に対処するために、機械学習に合わせて調整された電力システム管理のモデリングとシミュレーションの最初の一般的なフレームワークであるPython Tool CommonPowerを紹介します。
そのモジュラーアーキテクチャにより、ユーザーはシミュレーション環境を実装することなく特定の要素に集中できます。
CommonPowerのもう1つのユニークな貢献は、モデル予測コントローラーとセーフガードの自動合成です。
シングルエージェントRL、マルチエージェントRL、および最適な制御用の統一インターフェイスを提供するだけでなく、CommonPowerには、マシンラーニングベースの予測者のトレーニングパイプラインと、SafeadsのフィードバックをRLコントローラーの学習更新に組み込むための柔軟なメカニズムが含まれています。

要約(オリジナル)

The growing complexity of power system management has led to an increased interest in reinforcement learning (RL). To validate their effectiveness, RL algorithms have to be evaluated across multiple case studies. Case study design is an arduous task requiring the consideration of many aspects, among them the influence of available forecasts and the level of decentralization in the control structure. Furthermore, vanilla RL controllers cannot themselves ensure the satisfaction of system constraints, which makes devising a safeguarding mechanism a necessary task for every case study before deploying the system. To address these shortcomings, we introduce the Python tool CommonPower, the first general framework for the modeling and simulation of power system management tailored towards machine learning. Its modular architecture enables users to focus on specific elements without having to implement a simulation environment. Another unique contribution of CommonPower is the automatic synthesis of model predictive controllers and safeguards. Beyond offering a unified interface for single-agent RL, multi-agent RL, and optimal control, CommonPower includes a training pipeline for machine-learning-based forecasters as well as a flexible mechanism for incorporating feedback of safeguards into the learning updates of RL controllers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google