Buchumschlag

Physics Informed Reinforcement Learning with Gibbs Priors for Topology Control in Power Grids

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dogoulis, Pantelis, Cordy, Maxime
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

KCLNet: Physics-Informed Power Flow Prediction via Constraints Projections
von: Dogoulis, Pantelis, et al.
Veröffentlicht: (2025)

Test Time Training for AC Power Flow Surrogates via Physics and Operational Constraint Refinement
von: Dogoulis, Panteleimon, et al.
Veröffentlicht: (2025)

Robustness Analysis of AI Models in Critical Energy Systems
von: Dogoulis, Pantelis, et al.
Veröffentlicht: (2024)

Multi-Objective Reinforcement Learning for Power Grid Topology Control
von: Lautenbacher, Thomas, et al.
Veröffentlicht: (2025)

Can Large Language Models Reason and Optimize Under Constraints?
von: Bernier, Fabien, et al.
Veröffentlicht: (2026)

Constraint-Guided Prediction Refinement via Deterministic Diffusion Trajectories
von: Dogoulis, Pantelis, et al.
Veröffentlicht: (2025)

Optimizing Power Grid Topologies with Reinforcement Learning: A Survey of Methods and Challenges
von: van der Sar, Erica, et al.
Veröffentlicht: (2025)

Quantum-Enhanced Reinforcement Learning for Power Grid Security Assessment
von: Peter, Benjamin M., et al.
Veröffentlicht: (2025)

Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies
von: Kwon, Kyung-Bin, et al.
Veröffentlicht: (2025)

PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids
von: Suri, Dhruv, et al.
Veröffentlicht: (2025)

Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks
von: Jacob, Roshni Anna, et al.
Veröffentlicht: (2026)

Towards Efficient Multi-Objective Optimisation for Real-World Power Grid Topology Control
von: Manyari, Yassine El, et al.
Veröffentlicht: (2025)

Physics-Informed Inductive Biases for Voltage Prediction in Distribution Grids
von: Okoyomon, Ehimare, et al.
Veröffentlicht: (2025)

Imitation Learning for Intra-Day Power Grid Operation through Topology Actions
von: de Jong, Matthijs, et al.
Veröffentlicht: (2024)

Learning Efficient Flocking Control based on Gibbs Random Fields
von: Zhang, Dengyu, et al.
Veröffentlicht: (2025)

A Survey on Physics Informed Reinforcement Learning: Review and Open Problems
von: Banerjee, Chayan, et al.
Veröffentlicht: (2023)

A Safe Reinforcement Learning Algorithm for Supervisory Control of Power Plants
von: Sun, Yixuan, et al.
Veröffentlicht: (2024)

CommonPower: A Framework for Safe Data-Driven Smart Grid Control
von: Eichelbeck, Michael, et al.
Veröffentlicht: (2024)

Anomaly Detection with Machine Learning Algorithms in Large-Scale Power Grids
von: Gillioz, Marc, et al.
Veröffentlicht: (2026)

State and Action Factorization in Power Grids
von: Losapio, Gianvito, et al.
Veröffentlicht: (2024)

Transferable Deep Learning Power System Short-Term Voltage Stability Assessment with Physics-Informed Topological Feature Engineering
von: Feng, Zijian, et al.
Veröffentlicht: (2023)

A Generative Physics-Informed Reinforcement Learning-Based Approach for Construction of Representative Drive Cycle
von: Yasami, Amirreza, et al.
Veröffentlicht: (2025)

Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of Transient Stability for Changing Power Grid Topologies
von: Lv, Zijian, et al.
Veröffentlicht: (2023)

Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
von: Authier, Jules, et al.
Veröffentlicht: (2023)

Safe Online Control-Informed Learning
von: Zhou, Tianyu, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Accelerating Power System State Estimation
von: Falas, Solon, et al.
Veröffentlicht: (2023)

A Physics-Informed Learning Framework to Solve the Infinite-Horizon Optimal Control Problem
von: Fotiadis, Filippos, et al.
Veröffentlicht: (2025)

Multilayer GNN for Predictive Maintenance and Clustering in Power Grids
von: Kazim, Muhammad, et al.
Veröffentlicht: (2025)

Offline Reinforcement-Learning-Based Power Control for Application-Agnostic Energy Efficiency
von: Raj, Akhilesh, et al.
Veröffentlicht: (2026)

Stabilizing Humanoid Robot Trajectory Generation via Physics-Informed Learning and Control-Informed Steering
von: D'Elia, Evelyn, et al.
Veröffentlicht: (2025)

Predicting Fault-Ride-Through Probability of Inverter-Dominated Power Grids using Machine Learning
von: Nauck, Christian, et al.
Veröffentlicht: (2024)

Robust Defense Against Extreme Grid Events Using Dual-Policy Reinforcement Learning Agents
von: Peter, Benjamin M., et al.
Veröffentlicht: (2024)

Online Control-Informed Learning
von: Liang, Zihao, et al.
Veröffentlicht: (2024)

Optimal Sensor Placement in Power Transformers Using Physics-Informed Neural Networks
von: Li, Sirui, et al.
Veröffentlicht: (2025)

Robust Power System State Estimation using Physics-Informed Neural Networks
von: Falas, Solon, et al.
Veröffentlicht: (2025)

Formally Verified Physics-Informed Neural Control Lyapunov Functions
von: Liu, Jun, et al.
Veröffentlicht: (2024)

Federated Multi-Agent Deep Reinforcement Learning Approach via Physics-Informed Reward for Multi-Microgrid Energy Management
von: Li, Yuanzheng, et al.
Veröffentlicht: (2022)

Verification and Validation of Physics-Informed Surrogate Component Models for Dynamic Power-System Simulation
von: Ellinas, Petros, et al.
Veröffentlicht: (2026)

Anomaly Detection in Smart Power Grids with Graph-Regularized MS-SVDD: a Multimodal Subspace Learning Approach
von: Debelle, Thomas, et al.
Veröffentlicht: (2025)

Nuclear Microreactor Control with Deep Reinforcement Learning
von: Tunkle, Leo, et al.
Veröffentlicht: (2025)