增强双胞胎延迟的DDPG,具有优先级的经验重复和噪音网,用于区域经济调度
Chang Xu1,2, Naoki Hayashi3, Masahiro Inuiguchi3
1UM Power and Energy System Research Group, Department of Electrical Engineering, Faculty of Engineering, Universiti Malaya, 50603, Kuala Lumpur, Malaysia. u385272b@ecs.osaka-u.ac.jp.
这项研究增强了使用高级强化学习 (RL) 的可再生能源微电网的经济调度问题 (EDP). 改进的TD3算法大大降低了成本,减少了电力不平衡,优化了电网稳定性.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 将光伏 (PV) 等可再生能源 (RES) 整合到电力系统中,在平衡发电成本和电网稳定性方面提出了挑战.
- 经济调度问题 (EDP) 对于高效的电力系统运行至关重要,但传统方法在可扩展性和计算效率方面扎.
- 强化学习 (RL) 为复杂,高维的电力系统优化提供了一种动态和自适应的方法.
研究的目的:
- 开发和评估一个先进的强化学习框架,以优化经济调度问题 (EDP) 在具有光伏 (PV) 生产的区域微电网中.
- 通过整合优先体验重复 (PER) 和噪音网络 (Noisy Nets) 来增强双延迟深度决定性政策梯度 (TD3) 算法.
- 评估提议的TD3+PER+Noisy Nets方法在降低运营成本和提高电网稳定性方面的表现.
主要方法:
- 利用双延迟DDPG (TD3),一个先进的强化学习算法,用于经济调度问题 (EDP).
- 综合优先经验重复 (PER) 通过专注于关键学习过渡来提高样本效率.
- 集成的噪声网络 (Noisy Nets) 通过训练期间的自适应参数噪声来增强勘探能力.
主要成果:
- 与基线TD3.3相比,提议的TD3+PER+Noisy Nets方法实现了54.6%的测试运营成本降低.
- 累计电力不平衡下降了95.3%,显著提高了电网稳定性.
- 在成本效益和稳定性方面,与各种决定性和随机强化学习模型相比,验证了优异的性能.
结论:
- 增强的TD3算法与PER和Noisy Nets有效地优化了光伏集成的微电网经济调度.
- 提出的方法为现实世界电力系统控制和稳定提供了一个可扩展和实用的框架.
- 强化学习,特别是TD3+PER+Noisy Nets组合,为管理现代电网的复杂性提供了一个强大的解决方案.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
05:30Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit
Published on: September 8, 2023
相关概念视频
Fast Decoupled and DC Powerflow
Pilot and Numeric Relaying
Maximum Power Flow and Line Loadability
Distributed Loads
For example, consider a bookshelf filled with books stacked vertically adjacent to each other. The weight of the books is evenly distributed over the length of the shelf. As a result, the pressure at different locations on the surface of the...
Turbine-Governor Control
Double Resonance Techniques: Overview
Spin decoupling is usually achieved by...
