Application of Deep Learning Methods in Monitoring and Optimization of Electric Power Systems

Abstract

This PhD thesis thoroughly examines the utilization of deep learning techniques as a means to advance the algorithms employed in the monitoring and optimization of electric power systems. The first major contribution of this thesis involves the application of graph neural networks to enhance power system state estimation. The second key aspect of this thesis focuses on utilizing reinforcement learning for dynamic distribution network reconfiguration. The effectiveness of the proposed methods is affirmed through extensive experimentation and simulations.

Ова докторска дисертација темељно испитује употребу техника дубоког учења у циљу унапређења алгоритама који се користе у надгледању и оптимизацији електроенергетских система. Први допринос дисертације се односи на примену графовских неуронских мрежа за унапређење естимације стања електроенергетских система. Други кључни аспект ове дисертације се фокусира на употребу учења подстицајем за динамичку реконфигурацију дистрибутивне мреже. Ефикасност предложених метода је потврђена путем обимних експеримената и симулација.

Ova doktorska disertacija temeljno ispituje upotrebu tehnika dubokog učenja u cilju unapređenja algoritama koji se koriste u nadgledanju i optimizaciji elektroenergetskih sistema. Prvi doprinos disertacije se odnosi na primenu grafovskih neuronskih mreža za unapređenje estimacije stanja elektroenergetskih sistema. Drugi ključni aspekt ove disertacije se fokusira na upotrebu učenja podsticajem za dinamičku rekonfiguraciju distributivne mreže. Efikasnost predloženih metoda je potvrđena putem obimnih eksperimenata i simulacija.