RL-ADN: A High-Performance Deep Reinforcement Learning Environment for Optimal Energy Storage Systems Dispatch in Active Distribution Networks

要約

深層強化学習 (DRL) は、配電ネットワークにおけるエネルギー貯蔵システム (ESS) のディスパッチを最適化するための有望な手段を提供します。
このペーパーでは、アクティブな配電ネットワークにおける最適な ESS ディスパッチを解決するために特別に設計された革新的なオープンソース ライブラリである RL-ADN について紹介します。
RL-ADN は、配電ネットワークと ESS のモデリングにおいて比類のない柔軟性を提供し、幅広い研究目標に対応します。
RL-ADN の際立った機能は、ガウス混合モデルとコピュラ (GMC) 関数に基づくデータ拡張モジュールであり、DRL エージェントのパフォーマンスの上限を引き上げます。
さらに、RL-ADN にはローラン電力潮流ソルバーが組み込まれており、精度を犠牲にすることなくトレーニング中の電力潮流計算の計算負荷を大幅に軽減します。
RL-ADN の有効性は、さまざまな規模の配信ネットワークを使用して実証され、ESS ディスパッチ タスクに対する DRL アルゴリズムの適応性において顕著なパフォーマンスの向上が示されています。
この機能強化は、トレーニング シナリオの多様性が増すことから特に有益です。
さらに、RL-ADN はトレーニング中の計算効率が 10 倍向上するため、大規模なネットワーク アプリケーションに非常に適しています。
このライブラリは、配電ネットワークにおける DRL ベースの ESS ディスパッチの新たなベンチマークを設定し、配電ネットワーク運用における DRL アプリケーションを大幅に進歩させる準備ができています。
RL-ADN は、https://github.com/ShengrenHou/RL-ADN および https://github.com/distributionnetworksTUDelft/RL-ADN から入手できます。

要約(オリジナル)

Deep Reinforcement Learning (DRL) presents a promising avenue for optimizing Energy Storage Systems (ESSs) dispatch in distribution networks. This paper introduces RL-ADN, an innovative open-source library specifically designed for solving the optimal ESSs dispatch in active distribution networks. RL-ADN offers unparalleled flexibility in modeling distribution networks, and ESSs, accommodating a wide range of research goals. A standout feature of RL-ADN is its data augmentation module, based on Gaussian Mixture Model and Copula (GMC) functions, which elevates the performance ceiling of DRL agents. Additionally, RL-ADN incorporates the Laurent power flow solver, significantly reducing the computational burden of power flow calculations during training without sacrificing accuracy. The effectiveness of RL-ADN is demonstrated using in different sizes of distribution networks, showing marked performance improvements in the adaptability of DRL algorithms for ESS dispatch tasks. This enhancement is particularly beneficial from the increased diversity of training scenarios. Furthermore, RL-ADN achieves a tenfold increase in computational efficiency during training, making it highly suitable for large-scale network applications. The library sets a new benchmark in DRL-based ESSs dispatch in distribution networks and it is poised to advance DRL applications in distribution network operations significantly. RL-ADN is available at: https://github.com/ShengrenHou/RL-ADN and https://github.com/distributionnetworksTUDelft/RL-ADN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google