用于基于强化学习的电网调度中可再生能源长期预测的置信估计Transformer
机器学习
2022-04-12 v1 人工智能
摘要
可再生能源的扩张有助于实现碳达峰与碳中和目标。一些融合短期可再生能源预测与强化学习(RL)的现有电网调度方法已被证明能缓解能源波动风险的不利影响。然而，这些方法忽略了长期出力预测，导致最优潮流的稳定性和安全性问题。本文提出一种用于基于强化学习的电网调度中可再生能源长期预测的置信估计Transformer(Conformer-RLpatching)。Conformer-RLpatching通过增强的Transformer预测各可再生能源发电机的长期有功出力，以提升混合能源电网调度性能。此外，提出一种置信估计方法以降低可再生能源预测误差。同时，提出调度必要性评估机制以决定某发电机的有功出力是否需要调整。在SG-126电网模拟器上的实验表明，Conformer-RLpatching的安全性得分较第二名算法DDPG提升25.8%，并在相同仿真环境下较国家电网有限公司主办的电网调度竞赛金牌团队取得更优总奖励。代码已开源至https://github.com/buptlxh/Conformer-RLpatching。
引用
@article{arxiv.2204.04612,
title = {Confidence Estimation Transformer for Long-term Renewable Energy Forecasting in Reinforcement Learning-based Power Grid Dispatching},
author = {Xinhang Li and Zihao Li and Nan Yang and Zheng Yuan and Qinwen Wang and Yiying Yang and Yupeng Huang and Xuri Song and Lei Li and Lin Zhang},
journal= {arXiv preprint arXiv:2204.04612},
year = {2022}
}