基于稀疏测量可获得性的端到端强化学习疏散策略
机器学习
2024-06-21 v2 人工智能
系统与控制
系统与控制
摘要
在能源转型过程中，发电和消费的规模将发生变化，许多技术，如光伏系统、电动汽车和热泵，都会影响电力流，尤其是在配电网中。需要可扩展的方法，为每个网接电路做出决策，以实现配电网的无塞塞运行。本文提出了一种新颖的端到端方法，用于解决配电网中的塞塞问题。我们的体系结构学习如何削减电力并设置适当的无功电力，以确定一种非塞塞且因此可行的网格状态。与现有方法如最优潮流 (OPF) 相比，后者计算成本高昂，要求对网格中每个母线进行详细测量。相反，所述方法可以在稀疏信息下进行决策，仅需要网格中一些母线可观测。配电网通常尚未完全数字化和可观测，因此该方法可用于大多数低压配电网的决策。在一条真实的低压配电网上，该方法解决了 100% 的电压范围内的违规问题以及 98.8% 的资产超载问题。结果表明，在保证足够质量以实现配电网无塞塞运行的前提下，还可以在真实网格上进行决策。
引用
@article{arxiv.2405.03262,
title = {End-to-End Reinforcement Learning of Curative Curtailment with Partial Measurement Availability},
author = {Hinrikus Wolf and Luis Böttcher and Sarra Bouchkati and Philipp Lutat and Jens Breitung and Bastian Jung and Tina Möllemann and Viktor Todosijević and Jan Schiefelbein-Lach and Oliver Pohl and Andreas Ulbig and Martin Grohe},
journal= {arXiv preprint arXiv:2405.03262},
year = {2024}
}