当前位置： 首页 > 教程资讯 > 系统教程 Power Network Topology Optimization and Power Flow Control Based on Deep Reinforcement Learning
Power Network Topology Optimization and Power Flow Control Based on Deep Reinforcement Learning
时间：2024-03-04 来源：网络 人气：
华东电网动态区域控制误差应用分析
1
2010
... 随着新能源和有源化负荷的占比不断提升,电网的动态性和不确定性逐渐增强,给电网运行和系统调度人员带来了新的挑战[1 ].现有的电网调控手段多集中于发电侧和负荷侧,而电力网络作为电能的传输途径与载体,对其拓扑结构的系统级优化控制在研究和实际中考虑较少.电网实时拓扑优化控制是一种成本低、有前景且未被充分利用的系统缓解措施.由于其对应数学问题的组合和高度非线性等特点,常规的优化算法很难在短时间完成求解.从安全和经济角度来看,最大化系统的可用传输容量(Available Transfer Capability, ATC)对电力系统至关重要,这代表了传输网络的剩余传输容量,可进一步用于新能源消纳和能源交易.从环境和经济方面考虑,今后通过建设新线路的方式来扩大系统传输能力对于电网公司将会越来越难.此外,可再生能源、需求响应、电动汽车和电力电子设备的日益普及导致了更多随机和动态行为,威胁到电网的安全稳定运行[2 ,3 ].因此,在满足各种安全约束的同时,考虑到系统的不确定性,开发电网实时拓扑优化控制策略以最大化可用传输容量变得至关重要. ...
华东电网动态区域控制误差应用分析
1
2010
... 随着新能源和有源化负荷的占比不断提升,电网的动态性和不确定性逐渐增强,给电网运行和系统调度人员带来了新的挑战[1 ].现有的电网调控手段多集中于发电侧和负荷侧,而电力网络作为电能的传输途径与载体,对其拓扑结构的系统级优化控制在研究和实际中考虑较少.电网实时拓扑优化控制是一种成本低、有前景且未被充分利用的系统缓解措施.由于其对应数学问题的组合和高度非线性等特点,常规的优化算法很难在短时间完成求解.从安全和经济角度来看,最大化系统的可用传输容量(Available Transfer Capability, ATC)对电力系统至关重要,这代表了传输网络的剩余传输容量,可进一步用于新能源消纳和能源交易.从环境和经济方面考虑,今后通过建设新线路的方式来扩大系统传输能力对于电网公司将会越来越难.此外,可再生能源、需求响应、电动汽车和电力电子设备的日益普及导致了更多随机和动态行为,威胁到电网的安全稳定运行[2 ,3 ].因此,在满足各种安全约束的同时,考虑到系统的不确定性,开发电网实时拓扑优化控制策略以最大化可用传输容量变得至关重要. ...
基于典型运行场景聚类的电力系统灵活性评估方法
1
2021
... 随着新能源和有源化负荷的占比不断提升,电网的动态性和不确定性逐渐增强,给电网运行和系统调度人员带来了新的挑战[1 ].现有的电网调控手段多集中于发电侧和负荷侧,而电力网络作为电能的传输途径与载体,对其拓扑结构的系统级优化控制在研究和实际中考虑较少.电网实时拓扑优化控制是一种成本低、有前景且未被充分利用的系统缓解措施.由于其对应数学问题的组合和高度非线性等特点,常规的优化算法很难在短时间完成求解.从安全和经济角度来看,最大化系统的可用传输容量(Available Transfer Capability, ATC)对电力系统至关重要,这代表了传输网络的剩余传输容量,可进一步用于新能源消纳和能源交易.从环境和经济方面考虑,今后通过建设新线路的方式来扩大系统传输能力对于电网公司将会越来越难.此外,可再生能源、需求响应、电动汽车和电力电子设备的日益普及导致了更多随机和动态行为,威胁到电网的安全稳定运行[2 ,3 ].因此,在满足各种安全约束的同时,考虑到系统的不确定性,开发电网实时拓扑优化控制策略以最大化可用传输容量变得至关重要. ...
基于典型运行场景聚类的电力系统灵活性评估方法
1
2021
... 随着新能源和有源化负荷的占比不断提升,电网的动态性和不确定性逐渐增强,给电网运行和系统调度人员带来了新的挑战[1 ].现有的电网调控手段多集中于发电侧和负荷侧,而电力网络作为电能的传输途径与载体,对其拓扑结构的系统级优化控制在研究和实际中考虑较少.电网实时拓扑优化控制是一种成本低、有前景且未被充分利用的系统缓解措施.由于其对应数学问题的组合和高度非线性等特点,常规的优化算法很难在短时间完成求解.从安全和经济角度来看,最大化系统的可用传输容量(Available Transfer Capability, ATC)对电力系统至关重要,这代表了传输网络的剩余传输容量,可进一步用于新能源消纳和能源交易.从环境和经济方面考虑,今后通过建设新线路的方式来扩大系统传输能力对于电网公司将会越来越难.此外,可再生能源、需求响应、电动汽车和电力电子设备的日益普及导致了更多随机和动态行为,威胁到电网的安全稳定运行[2 ,3 ].因此,在满足各种安全约束的同时,考虑到系统的不确定性,开发电网实时拓扑优化控制策略以最大化可用传输容量变得至关重要. ...
Deep-reinforcement-learning-based autonomous voltage control for power grid operations
2
2020
... 随着新能源和有源化负荷的占比不断提升,电网的动态性和不确定性逐渐增强,给电网运行和系统调度人员带来了新的挑战[1 ].现有的电网调控手段多集中于发电侧和负荷侧,而电力网络作为电能的传输途径与载体,对其拓扑结构的系统级优化控制在研究和实际中考虑较少.电网实时拓扑优化控制是一种成本低、有前景且未被充分利用的系统缓解措施.由于其对应数学问题的组合和高度非线性等特点,常规的优化算法很难在短时间完成求解.从安全和经济角度来看,最大化系统的可用传输容量(Available Transfer Capability, ATC)对电力系统至关重要,这代表了传输网络的剩余传输容量,可进一步用于新能源消纳和能源交易.从环境和经济方面考虑,今后通过建设新线路的方式来扩大系统传输能力对于电网公司将会越来越难.此外,可再生能源、需求响应、电动汽车和电力电子设备的日益普及导致了更多随机和动态行为,威胁到电网的安全稳定运行[2 ,3 ].因此,在满足各种安全约束的同时,考虑到系统的不确定性,开发电网实时拓扑优化控制策略以最大化可用传输容量变得至关重要. ...
... 近年来,以深度强化学习为代表的人工智能技术在多个领域持续取得突破,利用其强大的建模和逻辑推演能力来解决电网调控问题,辅助调度员进行在线决策,成为解决问题的新思路[3 , 11 -13 ].本文提出一种基于人工智能的电网拓扑实时优化控制方法.该方法采用模仿学习和深度强化学习等技术来训练智能体快速提供电网拓扑优化控制策略,从而最大限度地提升电网的可用传输容量.该方法在IEEE 14节点开源数据集上进行测试,在综合考虑电网交流潮流和各项安全约束条件的情况下,所得结果的量化指标优于其他算法,具有很强的应用前景. ...
Switching as means of control in the power system
1
1985
... 与新建输电通道、减少用电需求和安装增容设备如统一潮流控制器(UPFC)、柔性交流输电系统(FACTS)相比,通过输电线路切换或母线分裂运行来增加系统可用传输容量和缓解阻塞的主动式电网拓扑优化控制是一种低成本的有效解决方案.电网实时拓扑优化控制最初是在20世纪80年代初期提出的,当时进行了多项研究工作以实现多个控制目标,例如成本最小化、电压和线路潮流控制[4 ,5 ].考虑到电网运行的复杂性和不确定性,输电线路切换母线或母线分裂运行决策控制本质上是一个很难求解的非线性混合整数优化问题.相关领域已有研究工作开展,Fisher等[6 ]提出了一种混合整数线性规划(MILP)模型,该模型使用直流潮流对电网进行近似,进而使用广义优化求解器CPLEX来进行求解.Khodaei等[7 ]电网将拓扑优化问题分解为两个相对简单的子问题,分别为组合优化问题和直流最优潮流,然后利用CPLEX进行求解.Fuller等[8 ]提出了一种启发式的方法,通过直流最优潮流来求得问题的近似解.Dehghanian等[9 ,10 ]也介绍了类似的计算方法,不同点是使用点估计对系统的不确定性进行建模,然后通过最优潮流对解进行校验. ...
Corrective control of power system flows by line and bus-bar switching
1
1986
... 与新建输电通道、减少用电需求和安装增容设备如统一潮流控制器(UPFC)、柔性交流输电系统(FACTS)相比,通过输电线路切换或母线分裂运行来增加系统可用传输容量和缓解阻塞的主动式电网拓扑优化控制是一种低成本的有效解决方案.电网实时拓扑优化控制最初是在20世纪80年代初期提出的,当时进行了多项研究工作以实现多个控制目标,例如成本最小化、电压和线路潮流控制[4 ,5 ].考虑到电网运行的复杂性和不确定性,输电线路切换母线或母线分裂运行决策控制本质上是一个很难求解的非线性混合整数优化问题.相关领域已有研究工作开展,Fisher等[6 ]提出了一种混合整数线性规划(MILP)模型,该模型使用直流潮流对电网进行近似,进而使用广义优化求解器CPLEX来进行求解.Khodaei等[7 ]电网将拓扑优化问题分解为两个相对简单的子问题,分别为组合优化问题和直流最优潮流,然后利用CPLEX进行求解.Fuller等[8 ]提出了一种启发式的方法,通过直流最优潮流来求得问题的近似解.Dehghanian等[9 ,10 ]也介绍了类似的计算方法,不同点是使用点估计对系统的不确定性进行建模,然后通过最优潮流对解进行校验. ...
Optimal transmission switching
1
2008
... 与新建输电通道、减少用电需求和安装增容设备如统一潮流控制器(UPFC)、柔性交流输电系统(FACTS)相比,通过输电线路切换或母线分裂运行来增加系统可用传输容量和缓解阻塞的主动式电网拓扑优化控制是一种低成本的有效解决方案.电网实时拓扑优化控制最初是在20世纪80年代初期提出的,当时进行了多项研究工作以实现多个控制目标,例如成本最小化、电压和线路潮流控制[4 ,5 ].考虑到电网运行的复杂性和不确定性,输电线路切换母线或母线分裂运行决策控制本质上是一个很难求解的非线性混合整数优化问题.相关领域已有研究工作开展,Fisher等[6 ]提出了一种混合整数线性规划(MILP)模型,该模型使用直流潮流对电网进行近似,进而使用广义优化求解器CPLEX来进行求解.Khodaei等[7 ]电网将拓扑优化问题分解为两个相对简单的子问题,分别为组合优化问题和直流最优潮流,然后利用CPLEX进行求解.Fuller等[8 ]提出了一种启发式的方法,通过直流最优潮流来求得问题的近似解.Dehghanian等[9 ,10 ]也介绍了类似的计算方法,不同点是使用点估计对系统的不确定性进行建模,然后通过最优潮流对解进行校验. ...
Transmission switching in security-constrained unit commitment
1
2010
... 与新建输电通道、减少用电需求和安装增容设备如统一潮流控制器(UPFC)、柔性交流输电系统(FACTS)相比,通过输电线路切换或母线分裂运行来增加系统可用传输容量和缓解阻塞的主动式电网拓扑优化控制是一种低成本的有效解决方案.电网实时拓扑优化控制最初是在20世纪80年代初期提出的,当时进行了多项研究工作以实现多个控制目标,例如成本最小化、电压和线路潮流控制[4 ,5 ].考虑到电网运行的复杂性和不确定性,输电线路切换母线或母线分裂运行决策控制本质上是一个很难求解的非线性混合整数优化问题.相关领域已有研究工作开展,Fisher等[6 ]提出了一种混合整数线性规划(MILP)模型,该模型使用直流潮流对电网进行近似,进而使用广义优化求解器CPLEX来进行求解.Khodaei等[7 ]电网将拓扑优化问题分解为两个相对简单的子问题,分别为组合优化问题和直流最优潮流,然后利用CPLEX进行求解.Fuller等[8 ]提出了一种启发式的方法,通过直流最优潮流来求得问题的近似解.Dehghanian等[9 ,10 ]也介绍了类似的计算方法,不同点是使用点估计对系统的不确定性进行建模,然后通过最优潮流对解进行校验. ...
Fast heuristics for transmission-line switching
1
2012
... 与新建输电通道、减少用电需求和安装增容设备如统一潮流控制器(UPFC)、柔性交流输电系统(FACTS)相比,通过输电线路切换或母线分裂运行来增加系统可用传输容量和缓解阻塞的主动式电网拓扑优化控制是一种低成本的有效解决方案.电网实时拓扑优化控制最初是在20世纪80年代初期提出的,当时进行了多项研究工作以实现多个控制目标,例如成本最小化、电压和线路潮流控制[4 ,5 ].考虑到电网运行的复杂性和不确定性,输电线路切换母线或母线分裂运行决策控制本质上是一个很难求解的非线性混合整数优化问题.相关领域已有研究工作开展,Fisher等[6 ]提出了一种混合整数线性规划(MILP)模型,该模型使用直流潮流对电网进行近似,进而使用广义优化求解器CPLEX来进行求解.Khodaei等[7 ]电网将拓扑优化问题分解为两个相对简单的子问题,分别为组合优化问题和直流最优潮流,然后利用CPLEX进行求解.Fuller等[8 ]提出了一种启发式的方法,通过直流最优潮流来求得问题的近似解.Dehghanian等[9 ,10 ]也介绍了类似的计算方法,不同点是使用点估计对系统的不确定性进行建模,然后通过最优潮流对解进行校验. ...
Flexible implementation of power system corrective topology control
1
2015
... 与新建输电通道、减少用电需求和安装增容设备如统一潮流控制器(UPFC)、柔性交流输电系统(FACTS)相比,通过输电线路切换或母线分裂运行来增加系统可用传输容量和缓解阻塞的主动式电网拓扑优化控制是一种低成本的有效解决方案.电网实时拓扑优化控制最初是在20世纪80年代初期提出的,当时进行了多项研究工作以实现多个控制目标,例如成本最小化、电压和线路潮流控制[4 ,5 ].考虑到电网运行的复杂性和不确定性,输电线路切换母线或母线分裂运行决策控制本质上是一个很难求解的非线性混合整数优化问题.相关领域已有研究工作开展,Fisher等[6 ]提出了一种混合整数线性规划(MILP)模型,该模型使用直流潮流对电网进行近似,进而使用广义优化求解器CPLEX来进行求解.Khodaei等[7 ]电网将拓扑优化问题分解为两个相对简单的子问题,分别为组合优化问题和直流最优潮流,然后利用CPLEX进行求解.Fuller等[8 ]提出了一种启发式的方法,通过直流最优潮流来求得问题的近似解.Dehghanian等[9 ,10 ]也介绍了类似的计算方法,不同点是使用点估计对系统的不确定性进行建模,然后通过最优潮流对解进行校验. ...
Power grid optimal topology control considering correlations of system uncertainties
1
2019
... 与新建输电通道、减少用电需求和安装增容设备如统一潮流控制器(UPFC)、柔性交流输电系统(FACTS)相比,通过输电线路切换或母线分裂运行来增加系统可用传输容量和缓解阻塞的主动式电网拓扑优化控制是一种低成本的有效解决方案.电网实时拓扑优化控制最初是在20世纪80年代初期提出的,当时进行了多项研究工作以实现多个控制目标,例如成本最小化、电压和线路潮流控制[4 ,5 ].考虑到电网运行的复杂性和不确定性,输电线路切换母线或母线分裂运行决策控制本质上是一个很难求解的非线性混合整数优化问题.相关领域已有研究工作开展,Fisher等[6 ]提出了一种混合整数线性规划(MILP)模型,该模型使用直流潮流对电网进行近似,进而使用广义优化求解器CPLEX来进行求解.Khodaei等[7 ]电网将拓扑优化问题分解为两个相对简单的子问题,分别为组合优化问题和直流最优潮流,然后利用CPLEX进行求解.Fuller等[8 ]提出了一种启发式的方法,通过直流最优潮流来求得问题的近似解.Dehghanian等[9 ,10 ]也介绍了类似的计算方法,不同点是使用点估计对系统的不确定性进行建模,然后通过最优潮流对解进行校验. ...
基于互信息理论与递归神经网络的短期风速预测模型
1
2021
... 近年来,以深度强化学习为代表的人工智能技术在多个领域持续取得突破,利用其强大的建模和逻辑推演能力来解决电网调控问题,辅助调度员进行在线决策,成为解决问题的新思路[3 , 11 -13 ].本文提出一种基于人工智能的电网拓扑实时优化控制方法.该方法采用模仿学习和深度强化学习等技术来训练智能体快速提供电网拓扑优化控制策略,从而最大限度地提升电网的可用传输容量.该方法在IEEE 14节点开源数据集上进行测试,在综合考虑电网交流潮流和各项安全约束条件的情况下,所得结果的量化指标优于其他算法,具有很强的应用前景. ...
基于互信息理论与递归神经网络的短期风速预测模型
1
2021
... 近年来,以深度强化学习为代表的人工智能技术在多个领域持续取得突破,利用其强大的建模和逻辑推演能力来解决电网调控问题,辅助调度员进行在线决策,成为解决问题的新思路[3 , 11 -13 ].本文提出一种基于人工智能的电网拓扑实时优化控制方法.该方法采用模仿学习和深度强化学习等技术来训练智能体快速提供电网拓扑优化控制策略,从而最大限度地提升电网的可用传输容量.该方法在IEEE 14节点开源数据集上进行测试,在综合考虑电网交流潮流和各项安全约束条件的情况下,所得结果的量化指标优于其他算法,具有很强的应用前景. ...
基于深度强化学习的区域化视觉导航方法
0
2021
基于深度强化学习的区域化视觉导航方法
0
2021
Mastering the game of go without human knowledge
2
2017
... 近年来,以深度强化学习为代表的人工智能技术在多个领域持续取得突破,利用其强大的建模和逻辑推演能力来解决电网调控问题,辅助调度员进行在线决策,成为解决问题的新思路[3 , 11 -13 ].本文提出一种基于人工智能的电网拓扑实时优化控制方法.该方法采用模仿学习和深度强化学习等技术来训练智能体快速提供电网拓扑优化控制策略,从而最大限度地提升电网的可用传输容量.该方法在IEEE 14节点开源数据集上进行测试,在综合考虑电网交流潮流和各项安全约束条件的情况下,所得结果的量化指标优于其他算法,具有很强的应用前景. ...
... 电网拓扑优化控制问题可以建模为马尔可夫决策过程(Markov Decision Process, MDP)[14 ].马尔可夫决策过程由5个关键元素组成:状态空间S、动作空间A、转移矩阵P、奖励函数R和折扣因子γ.系统环境为电网交流潮流求解器[13 ].智能体的状态空间(s,s∈S)包含部分可观测到的环境状态(se,se∈S).电网模型以改进的IEEE 14节点系统为例,系统状态空间S包含538个特征,具体包括发电机的有功功率输出和电压设定值、母线等值负荷、线路状态、线路潮流、线路热稳限值、采样时间等.动作空间A由线路开合、母线分裂运行与恢复以及两者的排列组合组成,如图1 所示. ...
5
2017
... 电网拓扑优化控制问题可以建模为马尔可夫决策过程(Markov Decision Process, MDP)[14 ].马尔可夫决策过程由5个关键元素组成:状态空间S、动作空间A、转移矩阵P、奖励函数R和折扣因子γ.系统环境为电网交流潮流求解器[13 ].智能体的状态空间(s,s∈S)包含部分可观测到的环境状态(se,se∈S).电网模型以改进的IEEE 14节点系统为例,系统状态空间S包含538个特征,具体包括发电机的有功功率输出和电压设定值、母线等值负荷、线路状态、线路潮流、线路热稳限值、采样时间等.动作空间A由线路开合、母线分裂运行与恢复以及两者的排列组合组成,如图1 所示. ...
... 马尔可夫决策过程的求解目标是得到控制策略π,建立起系统状态与控制动作之间的匹配关系,从而使得策略执行过程中得到的预期回报J(π)最大,亦为马儿可夫决策过程的目标函数,定义为[14 ] ...
... 强化学习是一类特殊的机器学习算法,与监督学习和无监督学习不同,其要解决的问题是智能体在动态变化的环境中如何执行动作以获得最大累计奖励,可用于解决复杂信息物理系统的控制和决策问题.近年来,深度强化学习在多个领域的应用取得突破性进展(如AlphaGo等),为智能电网调度控制提供了启示.目前,存在多种强化学习算法,各有特点和适用范围.一种典型的算法是Q学习算法,利用Q表格来存储系统状态和动作对应的值函数Q(s, a),即系统在某个状态s下采用动作a将得到的累计回报.根据贝尔曼方程[14 ],累积回报Rt可以表示为预期回报: ...
... 式中:α为学习率.为了使用Q表格,系统状态和动作都需要进行离散化处理,因此很难处理状态和动作空间为高维的复杂问题.为了克服这个困难,可以使用深度神经网络来取代Q表格,即深度Q网络(Deep Q Network, DQN)算法.该方法使用神经网络作为函数逼近器对Q(s, a)函数关系进行估计,因此它可以支持求解状态空间为连续量的问题,而无需对状态进行离散化或构建Q表格.深度神经网络的权重θ表示从系统状态到Q值的映射,因此,需要定义一个损耗函数Li(θ)来更新神经网络权重θ及其对应的Q值,可使用下式[14 ]: ...
... 式中:ρ为状态-动作对(s, a)的概率分布;yi为时间差异目标;s'和a'为状态转移后(下一个)系统状态和动作;ε为环境中的系统状态分布.通过对损耗函数求梯度并执行随机梯度下降,便可以迭代方式不断更新智能体的权重[14 ]: ...
Deep reinforcement learning with double q-learning
1
2016
... 然而,对于所有基于Q学习的算法来说,高估是一个众所周知且长期存在的问题.为了解决这个问题,Hasselt等[15 ]提出了使用两个单独的神经网络将动作选择和动作评估分离的双 DQN网络,即DDQN,在克服高估问题方面表现出了良好的性能.此外,Wang等[16 ]提出了一种新的模型架构,即竞争深度Q网络(Dueling DQN),将单流向DDQN解耦为状态值流和动作优势流,因此,Q值可以表示为 ...
Dueling network architectures for deep reinforcement learning
1
2016
... 然而,对于所有基于Q学习的算法来说,高估是一个众所周知且长期存在的问题.为了解决这个问题,Hasselt等[15 ]提出了使用两个单独的神经网络将动作选择和动作评估分离的双 DQN网络,即DDQN,在克服高估问题方面表现出了良好的性能.此外,Wang等[16 ]提出了一种新的模型架构,即竞争深度Q网络(Dueling DQN),将单流向DDQN解耦为状态值流和动作优势流,因此,Q值可以表示为 ...
Prioritized experience replay
2
2016
... 电网拓扑实时优化控制智能体的训练流程如图2 所示,图中Ng为动作个数.主要包括3个创新特点:①使用模仿学习为竞争深度Q网络智能体提供一个好的初始策略,从而可以大大减少探索和训练时间,降低智能体陷入局部最优解的概率;②使用引导探索方法取代传统的ε-贪婪策略来训练智能体,采用重要性采样以提高小批量更新效率[17 ];③使用早期预警(EW)系统,即当系统线路的可用传输容量低于阈值时提前触发智能体的训练和决策,进而提高系统的鲁棒性.具体的技术细节将在后续进行详细介绍. ...
... 本文使用的竞争Q网络的结构如图3 所示,图中括号内数字代表神经元个数.在采用竞争深度Q网络原始结构的基础上,在输入层增加1个归一化层,并根据输入和输出数据的维度计算和设定了隐藏层的神经元数量.竞争架构将单个流解耦为状态价值流和优势流.竞争深度Q网络还使用了DQN中的3个重要技术,包括:①经验回放缓冲区,允许智能体进行离线策略训练并解耦训练数据之间的强相关性;② 使用重要性采样以提升算法学习的效率和最终得到的策略质量[17 ],通过判断绝对时差误差(TD-error)衡量测量数据的重要性,并在从缓冲区采样过程中给予重要数据更高的优先级;③ 采用双Q网络,周期性更新目标网络从而提升智能体的稳定性.可实现电网拓扑实时优化控制的竞争深度Q网络智能体训练过程如算法1所示. ...
A power network simulator with a reinforcement learning-focused usage
1
2021
... 智能体的训练环境采用开源电网仿真软件Python Power Network (Pypownet)[18 ],该仿真环境建立在用于模拟电网的MatPower等开源工具的基础之上.Pypowernet能够对大型电网进行建模并仿真各种系统运行状态,同时支持交流和直流潮流求解.Pypownet的框架基于Linux操作系统,接口可以通过自定义方式进行设置,从而可以与强化学习智能体进行交互.通过与Pypownet的大量交互,使用Python脚本训练和调整智能体.此外,Pypownet还提供了可视化模块,供用户实时通过图形界面观测电网的运行状态和智能体的控制动作.Pypownet提供了多个标准测试系统,其中的数据集代表了实际的时间序列运行条件.本文以IEEE 14系统为研究对象,使用开源数据集进行测试,该数据集包含 1000 个场景共28 d的连续电网运行断面数据.每个场景包含 8065 个连续断面,断面间的时间间隔为5 min.使用Pypownet的可视化模块对IEEE 14节点进行可视化的效果如图5 所示. ...
作者 佚名
教程资讯
系统教程排行
