Reinforcement Learning Based Power Grid Day-Ahead Planning and AI-Assisted Control

要約

再生可能エネルギーへの継続的な移行により、風力や太陽光などの変動する電源の割合が増加し、電力網の不安定性が高まり、電力網の運用がますます複雑になり、コストが高くなります。
以前の作業では、再ディスパッチ オプティマイザーと機械学習ベースのトポロジー最適化エージェントを組み合わせた輻輳管理アプローチを導入しました。
典型的な再派遣のみのエージェントと比較して、シミュレートされたグリッドをより長く運用し続けると同時に、運用コストを削減することができました。
当社のアプローチは、ヨーロッパ最大の送電網事業者である RTE が開始した L2RPN 2022 コンペティションでも 1 位にランクされました。
この論文の目的は、この有望な技術を電力網運用の現実の世界に近づけることです。
この新しいテクノロジーの利点と注意点を示すために、確立されたワークフローに似た 2 つの設定、AI 支援の前日計画とリアルタイム制御に RL ベースのエージェントを展開します。
次に、輻輳、再ディスパッチおよびスイッチング プロファイルを分析し、操作の堅牢性を垣間見る基本的な感度分析を行います。
実際の制御室にはまだ長い道のりがありますが、このホワイト ペーパーと関連するプロトタイプがギャップを狭め、将来の電力網に RL エージェントを安全に展開する道を開くのに役立つと信じています。

要約(オリジナル)

The ongoing transition to renewable energy is increasing the share of fluctuating power sources like wind and solar, raising power grid volatility and making grid operation increasingly complex and costly. In our prior work, we have introduced a congestion management approach consisting of a redispatching optimizer combined with a machine learning-based topology optimization agent. Compared to a typical redispatching-only agent, it was able to keep a simulated grid in operation longer while at the same time reducing operational cost. Our approach also ranked 1st in the L2RPN 2022 competition initiated by RTE, Europe’s largest grid operator. The aim of this paper is to bring this promising technology closer to the real world of power grid operation. We deploy RL-based agents in two settings resembling established workflows, AI-assisted day-ahead planning and realtime control, in an attempt to show the benefits and caveats of this new technology. We then analyse congestion, redispatching and switching profiles, and elementary sensitivity analysis providing a glimpse of operation robustness. While there is still a long way to a real control room, we believe that this paper and the associated prototypes help to narrow the gap and pave the way for a safe deployment of RL agents in tomorrow’s power grids.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google