基于强化学习的数据驱动低频负荷脱扣
系统与控制
2024-10-08 v1 系统与控制
摘要
低频负荷脱扣（Underfrequency Load Shedding, UFLS）是电力系统中维持系统稳定性、防止在严重频率下降期间发生停电的关键控制策略。传统的UFLS方案常依赖预定义的规则和阈值，这些规则可能无法有效适应现代电网的动态和复杂特性。强化学习（Reinforcement Learning, RL）方法被提出用于有效处理UFLS问题。然而，由于在训练的每个步骤中都需要求解多个微分方程，训练这些RL智能体计算负担沉重。这一计算负担也限制了RL智能体在实时应用中的有效性。为减少计算负担，本文训练一个机器学习（Machine Learning, ML）分类器来捕捉系统对各种扰动的频率响应。随后使用该分类器训练RL智能体，从而避免在智能体训练的每个步骤中的多次计算。该方法的关键特征包括缩短训练时间，以及相对于其他RL智能体实现更快的实时应用，以及通过最小化被脱卸负荷量来提高系统韧性的潜力。与传统UFLS方案的比较研究表明，基于RL的策略在实现卓越性能的同时，显著缩短了所需时间。IEEE 68-母线系统的仿真结果验证了所提出RL方法的性能。
引用
@article{arxiv.2410.04316,
title = {Data-driven Under Frequency Load Shedding Using Reinforcement Learning},
author = {Glory Justin and Santiago Paternain},
journal= {arXiv preprint arXiv:2410.04316},
year = {2024}
}