Reinforcement learning approach for optimizing load shedding and controller parameter tuning in active islanded power systems
Notice bibliographique
Résumé
The rising frequency of extreme weather events associated with climate change has made the resilient design an important feature for power systems. Incorporating the capability of parts of the power system to operate as active decentralized systems is one way of increasing the resiliency and enhancing the system reliability. This thesis addresses two significant issues related to decentralized active networks. The first issue concerns the challenge of maintaining the balance between generation and load within an islanded system through under-frequency load shedding (UFLS) during islanding events. The optimal design of UFLS schemes in active networks presents a complex problem, especially with the high penetration of inverter-based resources (IBR) that exhibit complex dynamics and low inertia. It is also important to ensure that the system operates effectively at any given operating point, necessitating the consideration of multiple operating points in the design process. Conventional schemes and control methods may not be sufficient and identifying a suitable scheme can be both time-consuming and labor-intensive, often requires conducting many simulations at various operating points. This thesis presents an optimal load shedding method in active decentralized power systems using reinforcement learning. The effectiveness of these proposed methodologies is demonstrated through the implementation of a UFLS system on a segment of the Manitoba Hydro power network. The second significant issue addressed in this context is the tuning of controllers for active, decentralized systems. These controllers need to be adjusted to function optimally across a wide range of operating conditions, both in grid-connected and islanded modes. This poses numerous challenges due to the systems' complexity and dynamic nature and traditional heuristic controller tuning methods often prove inadequate in managing such complexities. In response, this thesis proposes a novel approach that extends the ideas of deep reinforcement learning to tune controllers across multiple operating scenarios. The validity of the proposed method is illustrated through tuning of Proportional-Integral (PI) controllers for battery energy storage systems within the modeled systems. While these developed methods are showcased on a section of the network, it can be expanded to larger power networks, providing scalability to the operation of power systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».