基于强化学习的输电电网 wildfire 韧性主动控制
系统与控制
2021-07-14 v1 人工智能
系统与控制
摘要
极端事件下的电网运行需要人类操作员在高压、高认知负荷条件下决策。在不利动态事件（尤其是可预测事件）下的决策支持可由智能主动控制补充。野火灾害期间的电力系统运行需要韧性驱动的主动控制，以考虑野火动态与故障传播来进行负荷削减、线路切换与资源分配。然而，大型系统事件期间可能的线路与负荷切换数量使传统预测驱动与随机方法在计算上不可行，导致操作员常使用贪婪算法。我们将主动控制问题建模并求解为马尔可夫决策过程，并引入一个用于时空野火传播与主动电力系统运行的集成测试平台。我们转化庞大的野火传播观测空间，并将其用作输电资产主动去能启发式的一部分。我们将此启发式与基于强化学习的发电资产主动策略相集成。我们的方法使该控制器能为部分发电机组提供设定点，而短视的操作员可确定其余机组的设定点，从而形成共生动作。我们利用映射于假设地形的 IEEE 24 节点系统评估了该方法。结果表明，所提方法可帮助操作员在极端事件期间减少负荷损失、减少流经待去能线路的功率流，并降低不可行潮流解的可能性（这将意味着违反输电线路短期热极限）。
引用
@article{arxiv.2107.05756,
title = {Reinforcement Learning based Proactive Control for Transmission Grid Resilience to Wildfire},
author = {Salah U. Kadir and Subir Majumder and Ajay D. Chhokra and Abhishek Dubey and Himanshu Neema and Aron Laszka and Anurag K. Srivastava},
journal= {arXiv preprint arXiv:2107.05756},
year = {2021}
}