用于缓解级联失效的强化学习：基于灵敏度因子的有针对性的探索
机器学习
2024-11-28 v1 人工智能
系统与控制
系统与控制
摘要
电网韧性与气候变化彼此之间受到技术和政策相关决策的影响，这些决策涉及广泛的领域。本文引入了一个基于物理信息的机器学习框架，以增强电网的韧性。具体而言，当遇到破坏性事件时，本文设计了补救控制动作以防止停电。该提出的物理导向强化学习（PG-RL）框架在考虑电力平衡、系统安全和电网可靠性的影响后，确定有效的实时补救线路切换动作。为识别有效的停电缓解政策，PG-RL 利用电力流灵敏度因子来指导 RL 在智能体训练期间的探索。使用 Grid2Op 平台进行的全面评估表明， 将物理信号纳入 RL 显著改善了电网中资源的利用率，并实现了更好的停电缓解政策——这两者都是应对气候变化的关键因素。
引用
@article{arxiv.2411.18050,
title = {RL for Mitigating Cascading Failures: Targeted Exploration via Sensitivity Factors},
author = {Anmol Dwivedi and Ali Tajer and Santiago Paternain and Nurali Virani},
journal= {arXiv preprint arXiv:2411.18050},
year = {2024}
}