Optimizing Power Grid Topologies with Reinforcement Learning: A Survey of Methods and Challenges

要約

再生可能エネルギー源の統合の増加と、より適応的な制御戦略の必要性により、電力網の動作はますます複雑になっています。
強化学習（RL）は、パワーネットワーク制御（PNC）に対する有望なアプローチとして浮上しており、動的で不確実な環境での意思決定を強化する可能性を提供しています。
Power Network（L2RPN）競技を実行する学習は、標準化されたベンチマークと問題の定式化を提供することにより、研究の加速に重要な役割を果たし、RLベースの方法の急速な進歩をもたらしました。
この調査では、パワーグリッドトポロジの最適化、既存の手法の分類、主要な設計の選択の強調、および現在の研究のギャップの特定のRLアプリケーションの包括的かつ構造化された概要を提供します。
さらに、一般的に適用されるRLベースの方法の影響を評価する比較数値研究を提示し、それらの実際の有効性に関する洞察を提供します。
既存の研究を統合し、オープンな課題を概説することにより、この調査は、RL駆動型のパワーグリッド最適化における将来の進歩の基盤を提供することを目的としています。

要約(オリジナル)

Power grid operation is becoming increasingly complex due to the rising integration of renewable energy sources and the need for more adaptive control strategies. Reinforcement Learning (RL) has emerged as a promising approach to power network control (PNC), offering the potential to enhance decision-making in dynamic and uncertain environments. The Learning To Run a Power Network (L2RPN) competitions have played a key role in accelerating research by providing standardized benchmarks and problem formulations, leading to rapid advancements in RL-based methods. This survey provides a comprehensive and structured overview of RL applications for power grid topology optimization, categorizing existing techniques, highlighting key design choices, and identifying gaps in current research. Additionally, we present a comparative numerical study evaluating the impact of commonly applied RL-based methods, offering insights into their practical effectiveness. By consolidating existing research and outlining open challenges, this survey aims to provide a foundation for future advancements in RL-driven power grid optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google