探索一种基于物理感知的决策转换器用于配电系统恢复：方法与性能分析
系统与控制
2024-07-02 v1 人工智能
系统与控制
摘要
受传感和计算技术的进步推动，基于深度强化学习 (DRL) 的方法在应对不确定操作情景下的配电系统恢复 (DSR) 挑战方面展现出显著潜力。然而，DRL 的数据密集型特征在实现大规模复杂配电系统满意的 DSR 解决方案方面构成障碍。深受新兴基础模型（包括大语言模型 LLMs）在各类领域变革性影响的驱动，本文探索一种创新方法，利用 LLMs 的强大计算能力以解决传统 DRL 方法在 DSR 中固有的可扩展性挑战。据我们所知，本研究是首次将基础模型引入电力系统运行中挑战传统 DRL 应用的范畴。我们的贡献有二：1）引入一种新型 LLM 驱动的物理感知决策转换器 (PIDT) 框架，利用 LLMs 变革 DSR 运营中的传统 DRL 方法；2）在 DSR 问题中评估所提出 LLM 驱动的 PIDT 框架初步开发阶段的性能。虽然本文的主要焦点是 DSR 运营，但所提出的 PIDT 框架可泛化至 various power system operations 中进行顺序决策优化。
引用
@article{arxiv.2407.00808,
title = {Exploring a Physics-Informed Decision Transformer for Distribution System Restoration: Methodology and Performance Analysis},
author = {Hong Zhao and Jin Wei-Kocsis and Adel Heidari Akhijahani and Karen L Butler-Purry},
journal= {arXiv preprint arXiv:2407.00808},
year = {2024}
}