.png){kind=icon}
返回
Soft Actor-Critic Reinforcement Learning for Reactive Current Injection Protocols
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-11442-6_4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代电力系统越来越受到对可再生能源依赖日益增长的挑战。由于这些能源固有的间歇性，它们可能导致电压波动和相不平衡，尤其是在电网扰动期间。在这些扰动中，电压骤降最为关键，其发生时间在秒级甚至毫秒级。一种必要的缓解策略涉及向电压降低的相注入无功电流。传统确定适当无功电流量的方法依赖电网规范，这些规范基于测量电压定义最小值；因此，这些方法缺乏优化，也无法适应以更好地满足电网需求。本研究提出了一种基于Soft Actor-Critic（SAC）的替代方案，这是一种无模型且离线的强化学习（RL）算法，旨在解决先前方法的不足。推理阶段的仿真结果表明，基于SAC的方法在性能上与基于优化的方法相当，同时能在毫秒级快速响应时间内更好地泛化至未见数据。
Keyword:
Reinforcement Learning
Soft Actor-Critic
Low-Voltage Ride-Through
Power Grid
Voltage Sag
期刊
A
IF:
0
论文数:
38
被引数:
0
机构
引用论文
分享收藏Power systems with high renewable energy sources: A review of inertia and frequency control strategies over time具有高可再生能源的电力系统: 惯性和频率控制策略随时间的回顾
OAAI
OAAI分享收藏A Comprehensive Review of Control Strategies to Overcome Challenges During LVRT in PV Systems.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Voltage Support Provided by Three-Phase Three-Wire Inverters With Independent Reactive Phase-Current Injection具有独立无功相电流注入的三相三线逆变器提供的电压支持OAAI
OAAI分享收藏Two-Timescale Voltage Control in Distribution Grids Using Deep Reinforcement Learning基于深度强化学习的配电网双时间尺度电压控制OAAI
OAAI分享收藏
查看更多内容