面向电力系统中连续鲁棒性控制问题的对抗训练
机器学习
2021-04-19 v3 人工智能
机器学习
摘要
我们提出一种新的对抗训练方法，用于在设计面向未来信息物理电力系统的控制器时注入鲁棒性。以往深度依赖仿真的方法无法应对日益增长的复杂性，且在线使用时计算代价过高。相比之下，我们的方法在线计算高效，同时展现出有用的鲁棒性特性。为此，我们建立了一个对抗框架，提出一种固定对手策略的实现，并在L2RPN(Learning to Run a Power Network)环境中进行测试。该环境是对信息物理系统的合成但真实的建模，涵盖了IEEE 118电网的三分之一。利用对抗测试，我们分析了L2RPN竞赛鲁棒性赛道中提交的已训练智能体的结果。随后，我们通过定制的评估指标进一步评估这些智能体在连续N-1问题下的表现。我们发现，一些以对抗方式训练的智能体在此方面表现出有趣的预防性行为，对此我们进行了讨论。
引用
@article{arxiv.2012.11390,
title = {Adversarial Training for a Continuous Robustness Control Problem in Power Systems},
author = {Loïc Omnes and Antoine Marot and Benjamin Donnot},
journal= {arXiv preprint arXiv:2012.11390},
year = {2021}
}
备注
6 pages, 5 figures, to be published in the PowerTech 2021 conference