HUGO -- 突出显示不可见网格选项：结合深度强化学习与启发式目标拓扑方法
机器学习
2024-09-18 v2 人工智能
摘要
随着可再生能源 (RE) 发电的增长，电网运营变得越来越复杂。其中一种解决方案是自动化电网运营，深度强化学习 (DRL) 在学习运行电力网络 (L2RPN) 挑战中屡次展现出巨大的潜力。然而，大多数现有 DRL 算法仅针对换流站层面的单个动作进行拓扑优化。相反，我们提出了一种更为全局化的方法，通过提出特定的目标拓扑 (TT) 作为动作来实现优化。这些拓扑基于其鲁棒性进行选择。本文中，我们呈现了一种寻找 TTs 的搜索算法，并将之前开发的强化学习智能体 CurriculumAgent (CAgent) 升级为一种新的拓扑智能体。我们将升级版与原始 CAgent 进行比较，L2RPN 分数提升了约 10\%。进一步地，我们在包含 TTs 后实现了 25\% 更好的中位数生存时间。后续分析表明，几乎所有 TTs 都接近基本拓扑，从而解释了其鲁棒性。
引用
@article{arxiv.2405.00629,
title = {HUGO -- Highlighting Unseen Grid Options: Combining Deep Reinforcement Learning with a Heuristic Target Topology Approach},
author = {Malte Lehna and Clara Holzhüter and Sven Tomforde and Christoph Scholz},
journal= {arXiv preprint arXiv:2405.00629},
year = {2024}
}
备注
12 pages + 2 pages references, 9 Figures, submission planed in Sustainable Energy, Grids and Networks