基于深度强化学习的最优经济燃气轮机调度
机器学习
2023-08-30 v1 人工智能
系统与控制
系统与控制
摘要
现代电网中燃气轮机（GTs）的调度策略正在发生变化。日益增长的对间歇性可再生能源的接入要求 GTs 进行更多但更短的周期运行，并更频繁地处于部分负荷状态。深度强化学习（DRL）最近成为一种能够应对这一发展并经济地调度 GTs 的工具。DRL 的关键优势是无模型优化以及处理不确定性（例如由变化的负荷或可再生能源发电引入的不确定性）的能力。在本研究中，针对加拿大阿尔伯塔省的一个案例研究中的经济 GT 调度问题，实现了三种流行的 DRL 算法。我们通过将 Siemens Energy 提供的现有热力学软件整合到环境模型中，并通过模拟变化的电价、负荷和环境条件来模拟不确定性，从而凸显 DRL 的优势。在测试的算法和基线方法中，Deep Q-Networks（DQN）获得了最高奖励，而 Proximal Policy Optimization（PPO）样本效率最高。我们进一步提出并实现了一种基于运行小时数和循环次数动态分配 GT 运行和维护成本的方法。与现有方法相比，我们的方法更好地逼近了现代 GT 调度的真实成本，从而产生更现实的策略。
引用
@article{arxiv.2308.14924,
title = {Optimal Economic Gas Turbine Dispatch with Deep Reinforcement Learning},
author = {Manuel Sage and Martin Staniszewski and Yaoyao Fiona Zhao},
journal= {arXiv preprint arXiv:2308.14924},
year = {2023}
}
备注
This work has been accepted to IFAC for publication under a Creative Commons Licence CC-BY-NC-ND