基于 AI 的通过拓扑调整实现时序 ATC 最大化的自主线路潮流控制
信号处理
2019-11-12 v1
摘要
本文提出了一种新颖的基于 AI 的方法，通过自主拓扑控制，在考虑各种实际约束和不确定性的情况下最大化时序可用传输容量（ATCs）。采用并改进了包括监督学习和深度强化学习（DRL）在内的若干 AI 技术，以训练有效的 AI 智能体来实现期望的性能。首先，使用模仿学习（IL）为 AI 智能体提供良好的初始策略。然后，通过具有新颖引导探索技术的 DRL 算法对智能体进行训练，显著提高了训练效率。最后，设计了一种预警（EW）机制，帮助智能体在较长测试周期内找到良好的拓扑控制策略，该机制利用电力系统领域知识帮助智能体确定动作时机，从而有效提高系统的容错性和鲁棒性。所提方法的有效性在“2019 学会运行电力网络（L2RPN）”全球竞赛中得到验证，其中开发的 AI 智能体能够连续、安全地控制电网以最大化 ATCs，无需操作员干预长达 1 个月的运行数据，并最终在竞赛的开发阶段和最终阶段均获得第一名。获胜智能体已在 GitHub 上开源。
引用
@article{arxiv.1911.04263,
title = {AI-Based Autonomous Line Flow Control via Topology Adjustment for Maximizing Time-Series ATCs},
author = {Tu Lan and Jiajun Duan and Bei Zhang and Di Shi and Zhiwei Wang and Ruisheng Diao and Xiaohu Zhang},
journal= {arXiv preprint arXiv:1911.04263},
year = {2019}
}
备注
The paper has been submitted to IEEE PES GM 2020