Safe Deep Reinforcement Learning for Resilient Self-Proactive Distribution Grids Against Wildfires
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
With the growing risks and frequency of wildfires, power distribution systems (PDS) face significant challenges in maintaining reliability and security. Existing literature primarily focuses on post-event service restoration using stochastic optimization methods. Nevertheless, such approaches fall short in managing the dynamic and uncertain nature of wildfires, particularly when it comes to taking proactive measures to mitigate power outages. To address this problem, this paper introduces a wildfire smart resilience controller (WF-SRC) that utilizes a model-assisted safe Deep Reinforcement Learning (DRL) mechanism to reduce the impacts of wildfire-induced disruptions. The WF-SRC continuously monitors and analyzes both the status of the PDS and the spatiotemporal dynamics of wildfires, then executes preemptive actions to prevent wildfires from compromising distribution lines. These actions include optimally dispatching stationary and mobile distributed energy resources (DERs) that operate under a master-slave control scheme. While recent works assume full observability and formulate the PDS resilience problem as a Markov Decision Process (MDP), this approach leads to an impractically large state space and limited realism. In contrast, our approach models the problem as a Partially Observable Markov Decision Process (POMDP). This explicitly captures real-world sensing limitations, such as noisy measurements that arise during extreme events. The POMDP is tackled using an LSTM-TD3 DRL agent, enabling effective sequential decision-making in environments with incomplete information. Using real-world data from Alberta wildfires, simulation results demonstrate the effectiveness of the proposed solution in reducing wildfire impact, optimizing energy distribution, and enhancing robustness to uncertainties, ultimately contributing to a more resilient and proactive power grid.
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