面向不确定事件的分布系统预防性能源管理：基于深度强化学习的方法
系统与控制
2024-12-30 v1 系统与控制
摘要
随着智能分布式能源资源( DERs)的持续集成，电力系统变得越来越复杂，新的风险和不确定性也随之出现。因此，为了增强系统韧性，在实施能源管理系统( EMS)的优化问题时，必须考虑各种不确定事件。本文提出了一种考虑每个系统组件在不同情景下故障概率( PoF)的预防性EMS。提出了一种基于条件价值风险( CVaR)的框架，用于集成分配网络的不确定性。将负荷分为关键型、半关键型和非关键型，以在发电资源不足时优先处理关键负荷。使用基于 Proximal Policy Optimization( PPO)的强化学习( RL)智能体来求解所制定的问题并生成控制决策。在概念 MVDC 船舰系统和修改版 IEEE 30 节点系统上评估了所提出的框架，其中结果表明 PPO 智能体能够在保持网络和运行约束的同时成功优化目标函数。为进行验证，将所提出的框架与传统优化方法进行了比较，进一步凸显了其有效性和韧性。该比较表明，由于其适应性和学习能力，RL 智能体能够比传统求解方法更好地应对未来不确定事件。
引用
@article{arxiv.2412.19382,
title = {Preventive Energy Management for Distribution Systems Under Uncertain Events: A Deep Reinforcement Learning Approach},
author = {Md Isfakul Anam and Tuyen Vu and Jianhua Zhang},
journal= {arXiv preprint arXiv:2412.19382},
year = {2024}
}
备注
10 Pages, 9 figures, Journal