通过物理引导的强化学习缓解停电
系统与控制
2024-08-02 v2 人工智能
系统与控制
摘要
本文考虑了针对系统异常的顺序补救控制动作设计，其最终目标是防止停电。设计了一个物理引导的强化学习 (RL) 框架，以识别有效的实时补救前瞻决策序列，同时考虑对系统稳定性的长期影响。本文考虑的控制动作空间既涉及离散值的输电线路切换决策（线路重连和切除），也涉及连续值的发电机调整。为了识别有效的停电缓解策略，设计了一种物理引导方法，该方法利用与电力传输网络相关的潮流灵敏度因子来指导代理训练期间的 RL 探索。使用开源 Grid2Op 平台进行的综合实证评估表明，将物理信号纳入 RL 决策具有显著优势，确立了所提出的物理引导方法相较于其黑盒对应物的增益。一个重要的观察结果是，策略性地切除输电线路，结合多次实时发电机调整，往往能产生可能防止或延迟停电的有效长期决策。
引用
@article{arxiv.2401.09640,
title = {Blackout Mitigation via Physics-guided RL},
author = {Anmol Dwivedi and Santiago Paternain and Ali Tajer},
journal= {arXiv preprint arXiv:2401.09640},
year = {2024}
}