Core Concepts
전력망 운영의 복잡성 증가에 대응하기 위해 강화학습과 견고한 목표 토폴로지 접근법을 결합하여 전력망 안정성을 향상시킬 수 있다.
Abstract
이 논문은 전력망 운영의 복잡성 증가에 대응하기 위한 새로운 접근법을 제안한다. 기존 연구에서는 개별 변전소 수준의 토폴로지 최적화에 초점을 맞추었지만, 이 논문에서는 전체 전력망 토폴로지에 초점을 맞추는 더 포괄적인 접근법을 제안한다.
구체적으로 논문에서는 다음과 같은 내용을 다룬다:
견고한 목표 토폴로지(Target Topologies, TTs)를 찾기 위한 검색 알고리즘을 제안한다. TTs는 전력망 안정성을 높일 수 있는 특정 토폴로지를 의미한다.
기존에 개발한 CurriculumAgent(CAgent) 모델을 확장하여 TopoAgent85-95%라는 새로운 토폴로지 에이전트를 제안한다. TopoAgent85-95%는 TTs를 활용하여 전력망 안정성을 향상시킨다.
TopoAgent85-95%를 WCCI 2022 L2RPN 환경에서 평가한 결과, 기존 CAgent 대비 10% 이상의 성능 향상과 25% 향상된 중간 생존 시간을 달성했다.
추가 분석을 통해 대부분의 TTs가 기본 토폴로지와 유사하다는 것을 확인했으며, 이는 TTs의 견고성을 설명한다.
이 연구는 전력망 토폴로지 최적화 분야에 새로운 접근법을 제시하고, 강화학습과 목표 토폴로지 접근법의 결합이 전력망 안정성 향상에 효과적임을 보여준다.
Stats
제안된 TopoAgent85-95% 모델은 기존 CAgent 대비 10% 이상의 성능 향상을 달성했다.
TopoAgent85-95%는 기존 CAgent 대비 25% 향상된 중간 생존 시간을 보였다.
Quotes
"전력망 운영의 복잡성 증가에 대응하기 위해 자동화된 그리드 운영이 하나의 해결책이 될 수 있으며, 심층 강화학습(DRL)이 이 분야에서 큰 잠재력을 보여왔다."
"기존 DRL 알고리즘은 대부분 변전소 수준의 개별 행동에 대한 토폴로지 최적화만을 다루었지만, 우리는 더 포괄적인 접근법을 제안한다."