Gym-ANM：用于配电系统主动网络管理任务的强化学习环境
机器学习
2021-07-01 v2 系统与控制
系统与控制
摘要
配电网络的主动网络管理（ANM）包含许多复杂的随机序贯优化问题。为将可再生能源与分布式储能集成到未来电网中，需要解决这些问题。在本工作中，我们介绍 Gym-ANM，一个用于设计强化学习（RL）环境以建模配电网络中 ANM 任务的框架。这些环境为 RL 在电网管理中的研究提供了新的试验场，且无需对系统底层动力学有深入了解。随本工作，我们发布了一个入门级玩具环境 ANM6-Easy 的实现，旨在突出 ANM 中的常见挑战。我们还表明，与模型预测控制（MPC）方法相比，最先进的 RL 算法已在 ANM6-Easy 上取得良好性能。最后，我们提供了创建新 Gym-ANM 环境的指南，其在以下方面可有所不同：(a) 配电网络拓扑与参数，(b) 观测空间，(c) 系统中随机过程的建模，以及 (d) 一组影响奖励信号的超参数。Gym-ANM 可在 https://github.com/robinhenry/gym-anm 下载。
引用
@article{arxiv.2103.07932,
title = {Gym-ANM: Reinforcement Learning Environments for Active Network Management Tasks in Electricity Distribution Systems},
author = {Robin Henry and Damien Ernst},
journal= {arXiv preprint arXiv:2103.07932},
year = {2021}
}
备注
15 main pages, 17 pages of appendix, 10 figures, GitHub repository: https://github.com/robinhenry/gym-anm