基于深度强化学习的鲁棒 N-1 安全高压电网灵活性估计用于 TSO-DSO 协同 congestion 管理
系统与控制
2022-12-20 v2 人工智能
系统与控制
摘要
如今，高压（HV）电网中分布式能源（DERs）的 PQ 灵活性在输电网 congestion 管理中发挥着愈发关键的作用。本文提出一种多阶段深度强化学习方法，用于估计 TSO-DSO 接口处的 PQ 灵活性（PQ 区域），并确定各运行点下 DER 的 PQ 设定值，从而协调网状高压电网中的 DER 为输电网提供灵活性。在估计过程中，我们考虑稳态电网限制、所得电压分布针对不确定性的鲁棒性，以及关于线路热负载的 N-1 安全性准则，这些对实际电网运行规划应用至关重要。将深度强化学习（DRL）用于 PQ 灵活性估计尚属首创。此外，我们直接在优化任务中考虑网状电网的 N-1 安全性准则及抗不确定性鲁棒性，相较于通过数学最优潮流（OPF）求解的常见松弛方案，提供了新视角。最后，所提方法在 PQ 区域估计的计算效率上有显著提升。
引用
@article{arxiv.2211.05855,
title = {Robust N-1 secure HV Grid Flexibility Estimation for TSO-DSO coordinated Congestion Management with Deep Reinforcement Learning},
author = {Zhenqi Wang and Sebastian Wende-von Berg and Martin Braun},
journal= {arXiv preprint arXiv:2211.05855},
year = {2022}
}
备注
Conference: NEIS 2022, Hamburg