知识-GPT引导的可通用增强学习,用于智能应急发电机在电力系统中触发

科学领域:

• 电气工程 电气工程
• 人工智能的人工智能
• 电力系统的稳定性 电力系统的稳定性

背景情况:

• 应急控制对于在故障后维持电力系统的短暂稳定性至关重要.
• 现有的紧急控制方法在适应性和有效性方面存在局限性.
• 需要智能控制策略来解决现代电网的复杂性.

研究的目的:

• 为智能应急发电机触发提出一种知识生成的预训练变压器 (GPT) 引导的可泛化强化学习 (RL) 方法.
• 通过结合电气原理和专家知识,提高深度强化学习 (DRL) 培训的效率和电气一致性.
• 在电力系统的拓变化下,提高控制策略的概括能力.

主要方法:

• 整合一般的电气原理,以识别受干扰的发电机,并通过动态概率选择控制操作.
• 利用知识-GPT模型从专家战略知识库中提取见解,完善DRL奖励结构.
• 将传递信息的神经网络 (NN) 纳入DRL架构,以模拟功率流动力学并增强概括性.

主要成果:

• 拟议的GPT引导的RL方法在IEEE39总线系统和中国东北电网的模拟中显示出更高的控制效率.
• 与现有方法相比,该方法显示出更强的适应性,特别是在拓变化下.
• 验证证实在应急控制策略中提高了训练效率和电气一致性.

结论:

• 开发的智能应急发电机触发方法为确保复杂电力系统的短暂稳定提供了更强大的解决方案.
• 协同使用GPT,RL和电气原理为先进的电力系统控制提供了一个强大的框架.
• 这种方法显著提升了电网智能紧急控制的最新技术.