탑올로지 액션을 통한 일일 전력망 운영을 위한 모방 학습

재생 가능 에너지의 증가로 인해 전력망 운영이 점점 더 복잡해지고 있습니다. 최근의 Learning To Run a Power Network (L2RPN) 대회 시리즈는 인공지능 에이전트를 사용하여 인간 배전원이 전력망을 운영하는 데 도움을 주는 것을 장려했습니다. 본 논문에서는 탑올로지 액션을 통한 하루 전 전력망 운영을 위한 모방 학습의 성능을 연구합니다. 특히, 두 가지 규칙 기반 전문가 에이전트를 고려합니다: 탐욕적 에이전트와 N-1 에이전트. 후자는 N-1 안전 고려 사항을 고려하기 때문에 계산 비용이 더 높지만, 운영 성능은 훨씬 더 높습니다. 우리는 전문가 상태-행동 쌍에 대해 완전 연결 신경망(FCNN)을 훈련하고 이를 두 가지 방법으로 평가합니다. 첫째, 클래스 불균형 및 클래스 중첩으로 인해 광범위한 하이퍼파라미터 조정에도 불구하고 분류 정확도가 제한적임을 발견했습니다. 둘째, 전력 시스템 에이전트로서 FCNN은 전문가 에이전트보다 약간 낮은 성능을 보입니다. 더욱이 최소한의 추가 시뮬레이션을 통합한 하이브리드 에이전트는 계산 비용을 크게 낮추면서 전문가 에이전트의 성능에 도달합니다. 따라서 모방 학습은 빠르고 높은 성능의 전력망 에이전트를 개발하는 데 가능성을 보여 주며, 향후 L2RPN 연구에서 더 깊이 탐구할 수 있기를 바랍니다.