一种具有缩减动作与状态空间的可扩展信息物理最优响应的强化学习引擎
系统与控制
2024-10-08 v1 系统与控制
摘要
已有大量研究致力于通过检测潜在的物理或网络扰动来增强信息物理系统 (CPS) 的韧性。然而，基于信息物理数据融合，在电力系统故障下开发可扩展且最优的响应措施仍处于早期阶段。为填补这一研究空白，本文介绍了一种基于强化学习 (RL) 以及角色与交互发现 (RID) 技术的电力系统响应引擎。RL-RID-GridResponder 旨在自动检测故障并辅助决策过程，以确保电力系统的最优运行。RL-RID-GridResponder 通过基于 RL 的结构进行学习，并通过集成具有缩减动作和状态空间的 RID 模块来实现增强的可扩展性。在拒绝服务 (DoS) 攻击情境下，展示了 RL-RID-GridResponder 为 CPS 提供可扩展和最优响应的能力。此外，使用融合的信息物理数据集，在增强的 WSCC 9 节点和增强的 IEEE 24 节点系统上，针对电压-无功调节问题进行了仿真。结果表明，所提出的 RL-RID-GridResponder 能够在 DoS 攻击下提供快速准确的响应，以确保电力系统的最优运行，并且可以扩展到其他系统突发事件，如线路跳闸和负荷损失。
引用
@article{arxiv.2410.04518,
title = {A Reinforcement Learning Engine with Reduced Action and State Space for Scalable Cyber-Physical Optimal Response},
author = {Shining Sun and Khandaker Akramul Haque and Xiang Huo and Leen Al Homoud and Shamina Hossain-McKenzie and Ana Goulart and Katherine Davis},
journal= {arXiv preprint arXiv:2410.04518},
year = {2024}
}