Emulation of Zonal Controllers for the Power System Transport Problem
Résumé
In the energy transition phase, Transmission System Operators (TSOs) are developing zonal controllers to monitor the power grid using optimization algorithms. These controllers can receive target plans from human operators. To assist operators, TSOs require a decision-support assistant that suggests smart target plans. Reinforcement learning (RL) is a candidate solution, though it typically demands numerous time intensive training iterations. Our research aims to emulate a controller using reinforcement learning optimized for rapid training iterations and manageable computation times.
Dans la phase de transition énergétique, les gestionnaires de réseaux de transport (GRT) développent des contrôleurs de zone pour surveiller le réseau électrique à l'aide d'algorithmes d'optimisation. Ces contrôleurs peuvent recevoir des consignes de la part d'opérateurs humains. Pour aider les opérateurs, les GRT ont besoin d'un assistant d'aide à la décision qui suggère des consignes. L'apprentissage par renforcement (RL) constitue une solution prometteuse, bien qu'il nécessite généralement de nombreuses itérations d'entraînement qui prennent beaucoup de temps. Notre recherche vise à émuler un contrôleur à l'aide de l'apprentissage par renforcement optimisé pour des itérations d'entraînement rapides et des temps de calcul gérables.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |