Physics-Shielded Multi-Agent Deep Reinforcement Learning for Safe Active Voltage Control With Photovoltaic/Battery Energy Storage Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While many multi-agent deep reinforcement learning (MADRL) algorithms have been implemented for active voltage control (AVC) in power distribution systems, the safety of electrical components involved in the operation of these algorithms are mostly ignored. In this work, a safe MADRL control scheme is proposed to regulate the reactive and active power control of photovoltaics (PVs) to alleviate power congestion and improve voltage quality by coordinating battery energy storage systems (BESSs) and static var compensators (SVCs). Uniquely, the learning algorithm designed in this paper can limit the action of the agent when approaching a dangerous state to ensure the safety of BESSs during the training process, which is realized by developing a multi-agent twin delayed deep deterministic (MATD3) policy gradient algorithm with a physics-based shielding mechanism. Specifically, actions that lead to dangerous states, the state-of-charge (SoC) of BESSs is fully loaded or drained, are replaced by the shielding mechanism with safe actions while maintaining system stability. Furthermore, each PVs node in the power distribution network is treated as an agent under the fact of reactive and active power sensitivities to voltage in the MATD3 algorithm, which is beneficial for improving scalability. Training, testing and comparative results on IEEE 33-bus and 141-bus with real-world data are provided to demonstrate the effectiveness and superiority of the proposed algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle