Physics-Guided Multi-Agent Deep Reinforcement Learning for Robust Active Voltage Control in Electrical Distribution 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
Although several multi-agent deep reinforcement learning (MADRL) algorithms have been employed in power distribution networks configured with high penetration level of Photovoltaic (PV) generators for active voltage control (AVC), the impact of the voltage fluctuation of a single PV node on voltage violations of other PV nodes in the network is ignored. Consequently, it leads to the conservativeness of the existing MADRL based AVC algorithms. In this paper, a robust MADRL control algorithm is designed to minimize the nodal voltage violation and line loss with the exploration of coupling voltage fluctuations across all the controlled nodes by coordinating PV inverters, and a physics factor is utilized to guide (physics-guided) the training policy with the expectation of a better performance compared to existing purely data-driven methods. In the proposed physics-guided multi-agent adversarial twin delayed deep deterministic (PG-MA2TD3) policy gradient algorithm, a physics factor, global sensitivity of voltage (GSV), is properly embedded in the algorithm to measure the influence of the nodal voltage fluctuation on voltage violations on the other controlled nodes with PV inverters and this GSV is shared in the learning center to guide the centralized learning and decentralized execution process. The multi-agent adversarial learning (MAAL) embedded with the GSV to seek an adaptive descend gradient for reducing the Q-value function appropriately rather than always assuming the worst case. Therefore, this physics-guided method can reduce the conservation and provide significantly better reward. Finally, the proposed algorithm is compared with several other methods on IEEE 33-bus, 141-bus and 322-bus with three-year data in Portuguese and the results indicate the proposed method can obtain the minimal voltage fluctuation and the best reward in the comparisons.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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