基于深度强化学习的连续特征值配置区间振荡阻尼自适应状态反馈控制
系统与控制
2025-07-04 v2 系统与控制
摘要
控制广域区间振荡（IAO）对现代电力系统的稳定性至关重要。深度学习的最新进展，结合相量测量单元（PMUs）和发电机传感器的广泛部署，促进了数据驱动的 IAO 阻尼控制器的发展。本文通过将控制问题建模为马尔可夫决策过程（MDP）并通过深度强化学习（DRL）求解，提出了一种新颖的 IAO 阻尼控制框架。基于 DRL 的控制器在具有连续特征值配置的状态空间中训练。为优化控制性能和成本效益，仅选择由全局参与因子确定的发电机子集进行控制。此外，引入了一种切换控制策略（SCS），将基于 DRL 的控制器与电力系统稳定器（PSSs）有效集成以提升整体性能。在 IEEE 39 总线新英格兰电力系统上的仿真结果表明，所提方法在暂态响应方面优于两种基准方法。在线性状态空间环境中训练的基于 DRL 的控制器可直接在非线性微分代数环境中测试。所提方法针对通信延迟的鲁棒性已得到充分研究。
引用
@article{arxiv.2301.09321,
title = {Deep-Reinforcement-Learning-Based Adaptive State-Feedback Control for Inter-Area Oscillation Damping with Continuous Eigenvalue Configurations},
author = {Siyuan Liang and Long Huo and Wenyu Qin and Xin Chen and Peiyuan Sun},
journal= {arXiv preprint arXiv:2301.09321},
year = {2025}
}
备注
Accepted by CSEE Journal of Power and Energy Systems in Jul. 2024