Real-time scheduling of renewable power systems through planning-based reinforcement learning

要約

再生可能エネルギー源の増加は、従来の電力スケジューリングに大きな課題をもたらしました。
事業者が再生可能エネルギー発電の正確な 1 日前の予測を取得することは困難であるため、将来のスケジューリング システムは、超短期の予測に合わせてリアルタイムでスケジューリングを決定する必要があります。
計算速度に制限されるため、従来の最適化ベースの方法ではこの問題を解決できません。
強化学習 (RL) の最近の開発は、この課題を解決する可能性を示しています。
ただし、既存の RL メソッドは、制約の複雑さ、アルゴリズムのパフォーマンス、および環境の忠実度の点で不十分です。
最先端の強化学習アルゴリズムと実際の電力網環境に基づいた体系的なソリューションを提案したのは、私たちが初めてです。
提案されたアプローチは、発電機の計画と、ユニットのコミットメントと経済的なディスパッチを含むより細かい時間分解能の調整を可能にし、より多くの再生可能エネルギーを受け入れるグリッドの能力を高めます。
十分に訓練されたスケジューリング エージェントは、不正確な前日予測への従来のスケジューリングの依存から生じる問題である、再エネ削減と負荷制限を大幅に削減します。
実験結果で実証されているように、高周波制御の決定は既存のユニットの柔軟性を活用し、電力網のハードウェア変換への依存を減らし、投資と運用コストを節約します。
この研究は、低炭素でインテリジェントな電力システムの促進における強化学習の可能性を示しており、持続可能な発電に向けた確かな一歩を示しています。

要約(オリジナル)

The growing renewable energy sources have posed significant challenges to traditional power scheduling. It is difficult for operators to obtain accurate day-ahead forecasts of renewable generation, thereby requiring the future scheduling system to make real-time scheduling decisions aligning with ultra-short-term forecasts. Restricted by the computation speed, traditional optimization-based methods can not solve this problem. Recent developments in reinforcement learning (RL) have demonstrated the potential to solve this challenge. However, the existing RL methods are inadequate in terms of constraint complexity, algorithm performance, and environment fidelity. We are the first to propose a systematic solution based on the state-of-the-art reinforcement learning algorithm and the real power grid environment. The proposed approach enables planning and finer time resolution adjustments of power generators, including unit commitment and economic dispatch, thus increasing the grid’s ability to admit more renewable energy. The well-trained scheduling agent significantly reduces renewable curtailment and load shedding, which are issues arising from traditional scheduling’s reliance on inaccurate day-ahead forecasts. High-frequency control decisions exploit the existing units’ flexibility, reducing the power grid’s dependence on hardware transformations and saving investment and operating costs, as demonstrated in experimental results. This research exhibits the potential of reinforcement learning in promoting low-carbon and intelligent power systems and represents a solid step toward sustainable electricity generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google