Microgrid Formation-based Service Restoration Using Deep Reinforcement Learning and Optimal Switch Placement in Distribution Networks
Notice bibliographique
Résumé
A power distribution network that demonstrates resilience has the ability to minimize the duration and severity of power outages, ensure uninterrupted service delivery, and enhance overall reliability. Resilience in this context refers to the network's capacity to withstand and quickly recover from disruptive events, such as equipment failures, natural disasters, or cyber attacks. By effectively mitigating the effects of such incidents, a resilient power distribution network can contribute to enhanced operational performance, customer satisfaction, and economic productivity. The implementation of microgrids as a response to power outages constitutes a viable approach for enhancing the resilience of the system. In this work, a novel method for service restoration based on dynamic microgrid formation and deep reinforcement learning is proposed. To this end, microgrid formation-based service restoration is formulated as a Markov decision process. Then, by utilizing the node cell and route model concept, every distributed generation unit equipped with the black-start capability traverses the power system, thereby restoring power to the lines and nodes it visits. The deep Q-network is employed as a means to achieve optimal policy control, which guides agents in the selection of node cells that result in maximum load pick-up while adhering to operational constraints. In the next step, a solution has been proposed for the switch placement problem in distribution networks, which results in a substantial improvement in service restoration. Accordingly, an effective algorithm, utilizing binary particle swarm optimization, is employed to optimize the placement of switches in distribution networks. The input data necessary for the proposed algorithm comprises information related to the power system topology and load point data. The fitness of the solution is assessed by minimizing the unsupplied loads and the number of switches placed in distribution networks. The proposed methods are validated using a large-scale unbalanced distribution system consisting of 404 nodes, which is operated by Saskatoon Light and Power, a local utility in Saskatoon, Canada. Additionally, a balanced IEEE 33-node test system is also utilized for validation purposes.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».