用于物理感知电网学习算法的时空图卷积神经网络
系统与控制
2024-10-28 v3 系统与控制
摘要
本文通过基于时空图卷积网络深度强化学习(STGCN-DRL)框架提出了一种无模型电压-无功控制(VVC)算法，其目标是控制不平衡配电系统中的智能逆变器。我们首先基于潮流方程确定图移位算子(GSO)。然后，我们开发了时空图卷积网络(STGCN)，测试了循环图卷积网络(RGCN)和卷积图卷积网络(CGCN)两种架构，旨在捕获电压相量的时空相关性。STGCN层为强化学习架构的策略函数与值函数执行特征提取任务，随后我们利用近端策略优化(PPO)搜索动作空间以获得最优策略函数并逼近最优值函数。我们进一步利用电压图信号的低通特性，为策略引入一种GCN架构，其输入为抽取状态向量，即部分观测。在123总线不平衡系统上的案例研究验证了所提方法在抑制不稳定性和将节点电压剖面维持在期望范围内的优异性能。
引用
@article{arxiv.2203.16732,
title = {Spatio-Temporal Graph Convolutional Neural Networks for Physics-Aware Grid Learning Algorithms},
author = {Tong Wu and Ignacio Losada Carreno and Anna Scaglione and Daniel Arnold},
journal= {arXiv preprint arXiv:2203.16732},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication