Zhuorui Wu · Meng Zhang · Song Gao · Zheng-Guang Wu 等5人 · IEEE Transactions on Sustainable Energy · 2024年8月

针对可再生能源大规模接入带来的强不确定性，电力系统调度对实时性提出了更高要求。为实现实时环境下经济且可行的发电运行，本文提出一种基于约束强化学习（CRL）的物理信息强化学习（PIRL）方法用于最优潮流（OPF）求解。该方法设计了基于潮流方程的物理信息执行器，确保生成满足等式约束的发电方案，并通过在策略梯度中引入不等式约束来修正不可行动作。特别地，与传统CRL中使用网络逼近不同，所提方法可直接基于执行器输出精确计算约束相关成本。在IEEE 118节点系统上的仿真结果表明，该方法在获得相近发电成本的...

解读: 该物理信息强化学习技术对阳光电源储能与光伏并网系统具有重要应用价值。针对PowerTitan大型储能系统和SG系列光伏逆变器的实时功率调度，该方法可嵌入iSolarCloud云平台，实现毫秒级最优潮流计算，显著优于传统优化算法。其约束强化学习框架可直接应用于储能变流器的多目标协调控制，在满足电网安全...