.png){kind=icon}
返回
Efficient optimal power flow learning: A deep reinforcement learning with physics-driven critic model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijepes.2025.110621.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
向脱碳化能源系统的过渡由于不确定性和复杂动态的增加而带来了重大的运营挑战。深度强化学习（DRL）已作为一种优化电力系统运行的有力工具出现。然而，大多数现有的DRL方法依赖于近似的数据驱动评论网络，需要大量高风险的交互来探索环境，并且常常面临估计误差。为解决这些局限性，本文提出了一种高效的DRL算法，其评论模型为基于物理驱动的模型，即可微分的全纯嵌入负荷流模型（D-HELM）。该方法通过基于实现不确定性系统状态的可微分损失函数，能够实现准确的政策梯度计算，简化了经验回放缓冲区和学习过程。通过利用连续功率流原理，D-HELM在确保可操作、可行解的同时，通过简单的矩阵运算加速梯度步长。在各种测试系统上的仿真结果表明，所提出的方法在计算上具有优越性，在训练阶段优于当前最先进的DRL算法，在线运行时优于基于模型的求解器。这项工作代表了实时能源系统运营领域的一项潜在突破，并可扩展应用于安全约束决策制定、电压控制、机组组合以及多能源系统。
Keyword:
Deep reinforcement learning
Operable power flow
Real-time economic control
Holomorphic embedding
Physics-driven policy gradient
期刊
I
IF:
5
论文数:
1.1W
被引数:
3.1W
机构
暂无机构信息
引用论文
PowerFlowNet: Power flow approximation using message passing Graph Neural NetworksPowerFlowNet: 使用消息传递图神经网络的功率流近似
OAAI
.png){kind=icon}
OAAI分享收藏
An advanced kernel search optimization for dynamic economic emission dispatch with new energy sources新能源动态经济排放调度的高级核搜索优化OAAI
OAAI分享收藏Towards Pareto-optimal energy management in integrated energy systems: A multi-agent and multi-objective deep reinforcement learning approach面向综合能源系统的帕累托最优能源管理: 一种多智能体多目标深度强化学习方法OAAI
OAAI分享收藏
查看更多内容