基于多目标强化学习的电网拓扑控制
机器学习
2025-05-02 v2 人工智能
系统与控制
系统与控制
摘要
随着电气化进程加快，电网传输拥堵问题日益严重。通过变更配电站配置实现的拓扑控制可缓解拥堵，但其潜在价值在实际运营中仍未被充分利用。一个关键挑战在于构建能够与运营商目标和约束良好对齐的拓扑控制模型。为此，本文探索了将多目标强化学习 (MORL) 应用于电网拓扑控制，以整合多个相互冲突的目标。我们开发了基于深度乐观线性支持 (DOL) 和多目标近端策略优化 (MOPPO) 的 MORL 方法，生成一组在最小化线路负荷、拓扑偏差和开关频率等目标之间取得平衡的帕累托最优策略。初始案例研究表明，MORL 方法能够提供关于目标之间权衡的宝贵见解，并在随机搜索基准上更好地近似帕累托前沿。与常用的单目标强化学习策略相比，生成的多目标强化学习策略在应对突发状况时防止电网故障的成功率提高 30%，在训练预算受限时效果提高 20%。
引用
@article{arxiv.2502.00040,
title = {Multi-Objective Reinforcement Learning for Power Grid Topology Control},
author = {Thomas Lautenbacher and Ali Rajaei and Davide Barbieri and Jan Viebahn and Jochen L. Cremer},
journal= {arXiv preprint arXiv:2502.00040},
year = {2025}
}