Multi-Objective Graph-Based Reinforcement Learning for Voltage and Frequency Stability in Grid-Connected Renewable Energy Systems
Notice bibliographique
Résumé
The increasing penetration of renewable energy sources in modern power grids poses significant challenges in maintaining voltage stability, frequency regulation, and optimal power dispatch due to the stochastic nature of generation and demand. This paper introduces a multi-objective graph-based reinforcement learning (MO-GRL) framework that optimally manages energy storage systems (ESS) to enhance voltage stability, provide synthetic inertia for frequency support, and maximize energy efficiency. The proposed model integrates Koopman operator theory for predictive ESS dynamics, graph neural networks for learning spatial relationships in power networks, and soft actor-critic reinforcement learning for multi-objective optimization. Furthermore, a Lyapunov-based stability constraint is incorporated to ensure the robustness of voltage and frequency control policies under uncertain conditions. Compared to conventional techniques, MO-GRL dynamically adjusts control policies based on real-time grid states, offering improved adaptability. Simulations on an IEEE 33-bus test system demonstrate significant improvements, including a 42% reduction in voltage deviations, a 39% decrease in frequency deviations, and a 37% improvement in ESS utilization efficiency. The proposed method effectively mitigated voltage spikes that previously rose above 1.04 p.u., successfully limiting peak voltage levels to 1.03 p.u. and lower. Similarly, during peak evening demand conditions, the voltage dips that fell below 0.95 p.u. were stabilized above 0.96 p.u. The controlled voltage profile-maintained values near the desired reference of 1.00 p.u., ensuring improved voltage stability across the 24-hour operation.
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) | 0,000 | 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 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 ».