Automatic generation control using deep reinforcement learning

Abstract

Bu tezde derin öğrenmeye dayalı derin pekiştirici öğrenme yöntemini kullanarak otomatik üretim kontrol sisteminin geliştirilmesi ve değerlendirilmesi. Bu araştırmanın, acil durum olaylarını değerlendirmek ve hafifletmek ve açık kaynak veri kümesinde mevcut güç sistemlerinin güvenilirliğini artırmak için bir yaklaşımla üretimi kontrol etmek için otomatik bir sistem kullanmak suretiyle elde edilen temel bulgular ve karşılık gelen iyileştirmeler. Beklenmediklik, derin takviye öğrenme modeli ve restorasyon modeli ile hızlı bir şekilde giderilebilen ve bu nedenle güç üretiminin yayılmasını sınırlandırabilen hatlardaki tüm üretim ve iletim hatalarının olduğu varsayımı ile yapıldı. Bununla birlikte, bu tür çalışmalar, güç sistemlerinin kademeli güç üretimi ile yaşayabileceği kararsızlık için kritik yük hatlarını veya duyarlı noktaları dikkate alır. Aynı açık kaynak veri kümesindeki diğer mevcut sistemlere kıyasla kaydedilen en yüksek doğruluk olan derin takviye öğrenimini kullanarak otomatik üretim kontrol sisteminin geliştirilmesi ve değerlendirilmesinde% 98.43'lük bir genel doğruluk elde ettik.

In this paper, the use to develop and evaluate an automatic generation control system using deep learning based deep reinforcement learning method. The main findings and corresponding improvements made by this research assessing and mitigating contingency events and employing an automatic system for controlling the generation with an approach to increase reliability of power systems available in open-source dataset. The contingency was often made with an assumption that all generation and transmission faults in lines which could be cleared quickly by deep reinforcement learning model and restoration model and therefore limit the spread of power generation. However, this kind of work does consider critical load lines or susceptible points for instability that power systems could experience with cascading power generation. We achieved an overall accuracy of 98.43% in developing and evaluating the automatic generation control system using deep reinforcement learning, which is the highest recorded accuracy in comparison with other available system on same open source dataset.