Deep Reinforcement Learning based Model-Free Wide-Area Damping Control under Uncertain Delays
Notice bibliographique
Résumé
Although inter-area signals measured by PMU provides more robust control to mitigate the oscillations occurring at lower frequencies, controlling techniques relying on wide-area signals encounter considerable obstacles posed by transmission delays over longer communication channels stretching from PMUs to wide-area damping control (WADC) systems. Managing fluctuating transmission delays is crucial, particularly within expansive monitoring and control systems. Without any knowledge of the real-time transmission delays at every sample time, this paper presents pioneering method employing Deep Reinforcement Learning (DRL) for WADC, devoid of traditional modeling, to effectively mitigate inter-area low-frequency oscillations. The state set includes both cyber layer information and physical layer power system performance. The optimal control policy is designed by deep determinisitic policy gradient (DDPG) to maximize the reward function on every sample time. The reward function is designed based on the working features of the generators for enabling timely damping oscillations. The IEEE 10-Generator 39-Bus system serves as the focal point for comparative analyses conducted in this study using the proposed model-free DDPG based WADC with the proposed state set and with conventional state set. The results show that based on the proposed state set, DRL agent can get enough information of the environment. The trained optimal control policy can be continuously updated by DDPG agent with a maximum reward value. With the proposed state set, the ddpg based WADC system exemplifies the rapid suppression of inter-area low-frequency oscillations and the dependable stabilization of the power system, even when faced with uncertain time delays.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».