面向弹性电网的强化学习
机器学习
2022-12-09 v1 系统与控制
系统与控制
摘要
传统电网系统在日益频繁和极端的自然灾害下已显过时。强化学习（RL）凭借其在电网控制上的成功历史，已成为提升弹性的一种有前景的方案。然而，大多数电网仿真器与 RL 接口不支持大规模停电下或网络被划分为子网络时的电网仿真。在本研究中，我们提出了一个基于现有仿真器与 RL 接口 Grid2Op 构建的更新版电网仿真器，并对 Grid2Op 的动作空间与观测空间进行了限制实验。通过使用 DDQN 与 SliceRDQN 算法测试，我们发现缩减的动作空间显著提升了训练性能与效率。此外，我们研究了深度 Q 学习（最广泛使用的 RL 算法之一）在该电网控制场景下的低秩神经网络正则化方法。实验结果表明，在电网仿真环境中采用该方法将显著提升 RL 智能体的性能。
引用
@article{arxiv.2212.04069,
title = {Reinforcement Learning for Resilient Power Grids},
author = {Zhenting Zhao and Po-Yen Chen and Yucheng Jin},
journal= {arXiv preprint arXiv:2212.04069},
year = {2022}
}
备注
7 pages, 3 figures, 6 tables