结合基于模型优化器的强化学习用于电池储能调度
机器学习
2021-09-07 v1 人工智能
系统与控制
系统与控制
摘要
强化学习已被发现可用于解决电力配电系统中的最优潮流(OPF)问题。然而，大量使用完全忽略电网基于物理建模的免模型强化学习算法会损害优化器性能并带来可扩展性挑战。本文提出一种新方法，利用模仿学习将基于物理的模型与基于学习的算法协同结合，以解决配电级 OPF 问题。具体而言，我们提出基于模仿学习的深度强化学习(DRL)方法改进，用于解决配电系统中电池储能调度这一具体案例的 OPF 问题。所提出的模仿学习算法使用从线性化基于模型的 OPF 求解器获得的近似最优解，为 DRL 算法提供良好的初始策略，同时提高训练效率。所提方法的有效性使用具有众多配电级电池储能系统的 IEEE 34 总线和 123 总线配电馈线进行了验证。
引用
@article{arxiv.2109.01659,
title = {Reinforcement Learning for Battery Energy Storage Dispatch augmented with Model-based Optimizer},
author = {Gayathri Krishnamoorthy and Anamika Dubey},
journal= {arXiv preprint arXiv:2109.01659},
year = {2021}
}