https://doi.org/10.1016/j.egyai.2023.100244
❖ 第一作者: Sweden, Chalmers University of Technology, Hannes Hagmar
❖ 通讯作者: Sweden, Chalmers University of Technology, Hannes Hagmar
❖ 作者邮箱: hannes.hagmar@chalmers.se
摘要
本论文开发了一种基于深度强化学习的实时控制方法,旨在确定维持足够安全运行极限所需的最佳控制动作。安全运行极限是指电力系统在不违反稳定性准则的情况下,能够承受一组可靠的意外事故发生前的最紧张运行点的极限。所开发的深度强化学习方法采用了混合控制方案,能够同时调整离散和连续动作变量。性能评估是在改进的Nordic32测试系统上进行的。结果表明,所开发的深度强化学习方法能够迅速学习出一种有效的控制策略,以确保在不同系统场景下具有足够的安全运行极限。其性能也与基于规则查询表的控制和适应离散行动空间的深度强化学习控制进行了比较。混合的深度强化学习控制在所有定义的测试集上都取得了明显的优势,这表明调整离散和连续行动变量的可能性导致了更灵活高效的控制策略。
详情可点击下方“阅读原文”
Energy and AI 是天津大学官方期刊,其目标是成为能源和人工智能交叉领域前沿研究的权威期刊。该期刊主要刊登研究(Research)、短讯(Short communication)、展望(Perspective)、综述(Review)等类型的文章。欢迎广大学者踊跃投稿。我们的网址是:www.journals.elsevier.com/energy-and-ai