Automatic generation control using deep reinforcement learning
Başlık çevirisi mevcut değil.
- Tez No: 667417
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
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.
Özet (Çeviri)
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.
Benzer Tezler
- Kuantum hesaplama modellerinin derin öğrenme kullanılarak otomatik üretimi
Automated generation of quantum computing models using deep learning
NİYAZİ FURKAN BAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE
- Çizge sinir ağları ve derin takviyeli öğrenme kullanarak otomatik molekül üretimi
Automated molecule generation using graph neural networks and deep reinforcement learning
RIZA IŞIK
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET TAN
- Deep reinforcement learning approach for trading automation in the stock market
Hisse senetlerinde işlem otomasyonu için derin güçlendirme öğrenme yaklaşımı
TAYLAN KABBANİ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
Prof. Dr. EKREM DUMAN
- A comparative study of nonlinear model predictive control and reinforcement learning for path tracking
Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması
GAMZE TÜRKMEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Investigating deep reinforcement learningfor static optimization in optical networks
Başlık çevirisi yok
EMRE FURKAN MERCAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPolitecnico di MilanoPROF. MASSİMO TORNATORE
PROF. FRANCESCO MUSUMECİ