面向实际电网拓扑控制的高效多目标优化
人工智能
2025-02-04 v1 机器学习
系统与控制
系统与控制
摘要
电网运营商面临日益增长的挑战，因为能源需求的增加和向可再生能源的转变，使得在管理拥堵和维持稳定供电方面变得更加复杂。有效的网格拓扑控制需要能够处理多目标权衡的先进工具。虽然强化学习（RL）提供了一个解决此类挑战的有前景框架，但现有的多目标强化学习（MORL）方法无法扩展到实际网格运营中固有的大规模状态和动作空间。本文提出了一种两阶段、高效且可扩展的多目标优化（MOO）方法，专为网格拓扑控制设计，结合了高效的 RL 学习阶段和快速的规划阶段，用于生成未见情景的日前计划。我们使用欧洲电传系统运营商（TSO） TenneT 的历史数据验证了该方法，显示部署时间最小，在 4-7 分钟内生成日前计划并表现出强性能。这些结果凸显了该可扩展方法支持实际电网管理的潜力，为运营规划提供了一种实用、计算高效且时间有效的工具。基于当前拥堵成本和网格运营中的不效率，采用我们的方法如果被 TSOs 采纳，可能每年为节省数百万欧元，为其在控制室中的集成提供了强有力的经济动机。
引用
@article{arxiv.2502.00034,
title = {Towards Efficient Multi-Objective Optimisation for Real-World Power Grid Topology Control},
author = {Yassine El Manyari and Anton R. Fuxjager and Stefan Zahlner and Joost Van Dijk and Alberto Castagna and Davide Barbieri and Jan Viebahn and Marcel Wasserer},
journal= {arXiv preprint arXiv:2502.00034},
year = {2025}
}