文献

J-GLOBAL ID：202202290557115887   整理番号：22A0959808

電力グリッド回復力を強化するための強化学習と最適電力配分の統合【JST・京大機械翻訳】

Integrating Reinforcement Learning and Optimal Power Dispatch to Enhance Power Grid Resilience

著者 (7件)： Li Qingming (School of Automation, Beijing Institute of Technology, Beijing, China) ,  Zhang Xi (School of Automation, Beijing Institute of Technology, Beijing, China) ,  Guo Jianbo (Power System Department, China Electric Power Research Institute, Beijing, China) ,  Shan Xiwen (School of Automation, Beijing Institute of Technology, Beijing, China) ,  Wang Zuowei (School of Automation, Beijing Institute of Technology, Beijing, China) ,  Li Zhen (School of Automation, Beijing Institute of Technology, Beijing, China) ,  Tse Chi K. (Department of Electrical Engineering, City University of Hong Kong, Hong Kong)
資料名： IEEE Transactions on Circuits and Systems 2: Express Briefs  (IEEE Transactions on Circuits and Systems 2: Express Briefs)
巻： 69  号： 3  ページ： 1402-1406  発行年： 2022年 
JST資料番号： W0347A  ISSN： 1549-7747  CODEN： ITCSFK  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 電力グリッドは,複数の部品の故障を引き起こし,厳しい電力停止につながる可能性がある極端な事象に対して脆弱である。電力グリッドレジリエンスを強化するための効果的な回復戦略を設計するのは,実用的に重要である。この短報では,様々な回復方法の異なる時間スケールを考察し,回収プロセスにおける負荷に供給される電力の全量を最大化するための統合戦略を提案した。この戦略は,コンポーネント修理の遅い回復法と最適電力ディスパッチの高速回復法を適切に組み合わせる。Q学習アルゴリズムを用いて,損傷部品の修理の逐次順序を生成し,ネットワークトポロジーを更新した。線形最適化を用いて,与えられたネットワークトポロジーにおける電力供給の最大量を得た。シミュレーション結果は,著者らの提案方法が,極端な事象の後,効果的に電力グリッドを回復するために,利用可能な資源とマンパワーを調整することができることを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  シミュレーション ,  *電力 ,  労働力 ,  *配電 ,  ネットワーク構造 ,  電力供給 ,  *強化学習
準シソーラス用語： ネットワークトポロジー ,  Q学習 ,  脆弱性 ,  線形最適化 , 【Automatic Indexing@JST】

分類 (1件)： 無線通信一般  (ND08010L)

タイトルに関連する用語 (6件)： グリッド ,  回復 ,  強化 ,  強化学習 ,  電力配分 ,  統合