深度强化学习优化逆变器控制：用于电力系统稳定的固定与自适应增益调谐策略
系统与控制
2024-11-05 v1 系统与控制
摘要
本文提出了利用深度强化学习（DRL）调谐逆变器控制器增益的新方法。基于 Simulink 开发的逆变器模型被转换为动态链接库（DLL），并与基于 Python 的强化学习环境集成，利用多核部署和加速计算显著减少了 RL 训练时间。开发了一种基于神经网络的机制，将级联 PI 控制器转换为 actor 网络，使 RL 智能体能够通过优化增益调谐来缓解次同步振荡（SSO）和初始暂态等场景。展示了两种不同的调谐方法：固定增益策略，其中控制器增益表示为 RL 策略（actor 网络）权重；以及自适应增益策略，其中增益由 RL 策略（actor 网络）输出动态生成。对这两种方法进行了比较分析，展示了它们在稳定构网型转换器和跟网型转换器暂态性能方面的有效性以及硬件部署中的挑战。给出了实验结果，证明了 RL 调谐控制器增益在真实系统中的增强鲁棒性和实际适用性。
引用
@article{arxiv.2411.01451,
title = {Deep Reinforcement Learning for Optimizing Inverter Control: Fixed and Adaptive Gain Tuning Strategies for Power System Stability},
author = {Shuvangkar Chandra Das and Tuyen Vu and Deepak Ramasubramanian and Evangelos Farantatos and Jianhua Zhang and Thomas Ortmeyer},
journal= {arXiv preprint arXiv:2411.01451},
year = {2024}
}