基于知识嵌入型深度强化学习的电力系统频率紧急控制方法

This paper proposes a knowledge-embedded deep reinforcement learning method for frequency emergency control in new power systems. Using DDPG in an IEEE 39-bus environment, it integrates theoretical knowledge to optimize action space for under-frequency load shedding and over-frequency generator tripping, improving training stability and decision quality.

随着新型电力系统建设的快速推进,电力系统频率安全面临的挑战愈发严峻,当系统发生故障导致频率失稳时,采取紧急控制恢复频率稳定至关重要.文中提出一种基于知识嵌入型深度强化学习(DRL)的电力系统频率紧急控制方法.首先,将频率紧急控制问题转化为马尔可夫模型,以仿真系统为强化学习环境,并基于深度确定性策略梯度(DDPG)算法构建深度强化学习智能体.此外,通过理论知识引导动作空间优化,综合考虑高频切机与低频减载两类场景.最后,在IEEE 39节点系统中进行控制效果测试,结果表明:深度强化学习智能体能够给出有效的频率紧急控制策略,维护系统频率安全;知识嵌入的方法改善了模型的训练稳定性,能显著提高智能体的策略学习效率与决策质量.