一种用于分布式最优潮流参数选择的强化学习方法
系统与控制
2022-05-09 v3 机器学习
系统与控制
摘要
随着分布式能源渗透率的不断提高，分布式优化算法因其在可扩展性、隐私性和对单点故障的鲁棒性方面的潜力，在电力系统应用中受到显著关注。交替方向乘子法（ADMM）是一种流行的分布式优化算法；然而，其收敛性能高度依赖于惩罚参数的选择，而这些参数通常是启发式选择的。在本工作中，我们使用强化学习（RL）为通过 ADMM 求解的交流最优潮流（ACOPF）问题开发自适应惩罚参数选择策略，目标是最小化直至收敛的迭代次数。我们使用深度 Q 学习训练我们的 RL 策略，并表明该策略可显著加速收敛（与现有的、基于曲率的惩罚参数选择方法相比，迭代次数减少高达 59%）。此外，我们表明我们的 RL 策略展现出泛化前景，在未见过的负荷方案以及未见过的线路和发电机损失下表现良好（迭代次数减少高达 50%）。因此，本工作为在电力系统应用中使用 RL 进行 ADMM 参数选择提供了概念验证。
引用
@article{arxiv.2110.11991,
title = {A Reinforcement Learning Approach to Parameter Selection for Distributed Optimal Power Flow},
author = {Sihan Zeng and Alyssa Kody and Youngdae Kim and Kibaek Kim and Daniel K. Molzahn},
journal= {arXiv preprint arXiv:2110.11991},
year = {2022}
}