동적 전력망에서의 부분 관측 가능성을 고려한 시계열 논리 제어 (Temporal Logic Control with Partial

동적 전력망에서의 부분 관측 가능성을 고려한 시계열 논리 제어 (Temporal Logic Control with Partial Observability in a Dynamic Power Grid)

우리는 제어 이론 (Control Theory) 및 인공지능 (Artificial Intelligence)의 기술적 한계를 넓히는 새로운 강화학습 (Reinforcement Learning) 과제를 제시합니다. 목표는 안정성을 보장하고 안전 프로토콜을 준수하면서 동적인 전력망을 탐색할 수 있는 자율 제어기 (Autonomous Controller)를 개발하는 것입니다.

환경 설명 (Environment Description):

전력망은 상호 연결된 버스 (Buses), 발전기 (Generators), 부하 (Loads)로 구성된 복잡한 네트워크로 모델링됩니다. 수요 및 발전과 같은 시변 파라미터 (Time-varying parameters)는 시스템 역학 (System Dynamics)에 불확실성과 비정상성 (Non-stationarity)을 도입합니다. 임계 노드 (Critical nodes)의 하위 집합(예: 높은 수요 또는 핵심 인프라를 가진 노드)은 그리드 안정성을 유지하기 위해 즉각적인 주의가 필요한 "민감한 (Sensitive)" 노드로 지정됩니다.

시계열 논리 제약 조건 (Temporal Logic Constraints):

제어기는 특정 시간에 특정 안전 조건이 충족되도록 보장하는 엄격한 시계열 논리 (Temporal Logic) 사양을 준수해야 합니다. 예를 들어:

• 모든 시간 동안, 민감한 노드에서의 총 전력 주입 (Power injection)은 평균 수요의 5% 이내여야 합니다.
• 임계 장애 (Critical failure)가 발생하면, 제어기는 10분 이내에 민감한 노드에 전력을 복구해야 합니다.
• 수요가 정상 용량의 150%를 초과하면, 제어기는 30분 동안 비상 전력 감소 프로토콜을 활성화해야 합니다.

부분 관측 가능성 (Partial Observability):

제어기는 그리드 상태 정보에 대해 부분적인 접근 권한만을 가집니다. 관측값 (Observations)은 센서의 하위 집합으로부터 수집되며, 이러한 측정값은 노이즈 (Noise)와 지연 (Latency)의 영향을 받습니다. 제어기는 이러한 제한된 관측을 기반으로 의사결정을 내려야 합니다.

행동 및 보상 (Actions and Rewards):

제어기는 세 가지 행동을 취할 수 있습니다: (1) 버스의 전력 주입 조정, (2) 비상 프로토콜 활성화, 또는 (3) 수동 개입 수행 (예: 비상 요원 파견). 보상 함수 (Reward function)는 안정성, 전력 소비 효율성, 그리고 안전 프로토콜 준수 사이의 균형을 맞추는 다중 목적 (Multi-objective) 방식입니다.

평가 지표 (Evaluation Metrics):

성능은 다음 지표를 바탕으로 평가됩니다:

• 그리드 안정성 (Grid stability) (예: 최대 및 평균 주파수 편차)
• 전력 소비 효율성 (Power consumption efficiency) (예: 진동으로 인해 낭비되는 에너지)
• 시계열 논리 제약 조건 준수 (Compliance with temporal logic constraints)
• 치명적 장애에 대한 평균 응답 시간 (Average response time to critical failures)

챌린지 사양 (Challenge Specifications):

• 최소 24시간 이상의 지속 시간을 가진 현실적인 시뮬레이션 환경을 사용하여 컨트롤러를 학습시키십시오.
• 각각 24시간 동안 지속되는 10개의 무작위 생성 시나리오에서 컨트롤러의 성능을 평가하십시오.
• 타임 스텝 (Time step)당 20개의 가능한 행동이 있는 이산 행동 공간 (Discrete action space)을 사용하십시오.
• Python 기반의 딥러닝 프레임워크 (예: TensorFlow 또는 PyTorch)를 사용하여 컨트롤러를 구현하십시오.

이 챌린지를 해결함으로써 참가자들은 시계열 논리 제어 (Temporal logic control), 부분 관측 가능성 (Partial observability), 그리고 다중 목적 강화학습 (Multi-objective reinforcement learning)의 경계를 넓힐 것입니다. 우승한 솔루션은 저명한 학술지에 게재될 것이며, 우승자에게는 인정과 상금이 수여됩니다.

자동 게시됨