电网拓扑优化中智能体的故障检测：一项综合分析
机器学习
2024-09-18 v3 人工智能
系统与控制
系统与控制
摘要
使用深度强化学习（DRL）优化输电网络拓扑日益成为焦点。已有多种 DRL 智能体被提出，它们主要在“学习运行电网”（L2RPN）挑战赛的 Grid2Op 环境中进行基准测试。这些环境具有逼真的电网场景和底层潮流后端，具有诸多优势。然而，由于潜在原因多种多样，对智能体存活或失败的解释并不总是清晰的。在这项工作中，我们关注电网仿真的失败，以识别模式并提前检测它们。我们收集了三个不同智能体在 WCCI 2022 L2RPN 环境中的失败场景，总计约 4 万个数据点。通过聚类，我们能够检测到五个不同的簇，识别出常见的故障类型。此外，我们提出了一种多类预测方法来提前检测故障，并评估了五种不同的预测模型。在此，Light Gradient-Boosting Machine (LightGBM) 表现出最佳的故障预测性能，准确率达到 82%。它还在 87% 的情况下准确分类了电网是存活还是失败。最后，我们提供了详细的特征重要性分析，识别了电网中的关键特征和区域。
引用
@article{arxiv.2406.16426,
title = {Fault Detection for agents on power grid topology optimization: A Comprehensive analysis},
author = {Malte Lehna and Mohamed Hassouna and Dmitry Degtyar and Sven Tomforde and Christoph Scholz},
journal= {arXiv preprint arXiv:2406.16426},
year = {2024}
}
备注
11 Pages plus references and appendix. The appendix consist of additional material of the paper and is not included in the initial submission. The paper was presented at the ECML workshop ML4SPS