深度强化学习在微电网韧性能源管理中的局部可解释性.pdfVIP

深度强化学习在微电网韧性能源管理中的局

部可解释性

MohammadHosseinFawazAnnazMarioDeOliveira

NejatiAmiriCollegeofEngineeringCollegeofEngineering

CollegeofEngineeringBirminghamCityUniversityBirminghamCityUniversity

BirminghamCityUniversityBirmingham,UKBirmingham,UK

Birmingham,UKfawaz.annaz@bcu.ac.ukmario.deoliveira@bcu.ac.uk

mohammadhossein.nejatiamiri

@mail.bcu.ac.uk

本

译FlorimondGueniat

中CollegeofEngineering

1BirminghamCityUniversity

v

2Birmingham,UK

3florimond.gueniat@bcu.ac.uk

1

8

0

.

8

0摘要—可再生能源并入微电网已成为解决全球能源问题（如I.介绍

5气候变化和资源稀缺）的关键方法。然而，可再生资源的间歇性

2和高影响低概率(HILP)事件的发生频率增加需要创新策略以近年来，电力网络经历了重大变革，这些变革由供

:

v实现可靠且有韧性的能源管理。本研究提出了一种通过可解释深应商与消费者之间的双向通信等进步推动，促进了智能

i

x度强化学习(XDRL)来管理微电网韧性的方法。它结合了近端电网的发展。智能电网融合了微电网、需求响应、产销

r

a策略优化(PPO)算法进行决策，并使用局部可解释模型不可知者、自愈系统和本地电力市场等概念，以满足不断变化

的解释(LIME)方法提高演员网络决策的透明度。印度翁戈莱的能源需求[1]。作为对全球变暖、净零排放目标以及

的一个案例研究检查了一个包含风力、太阳能和电池组件的微电

化石燃料枯竭和污染挑战的回应，可再生能源受到了广

网，以验证所提出的方法。该微电网在莱拉气旋期间的极端天气

泛关注[2]。微电网因其能够在孤立模式和并网模式下

条件下进行了模拟。LIME被用于分析场景，展示了可再生发

电、充电状态和负荷优先级等关键因素对决策的影响。结果显示运行的能力，为利用间歇性的可再生能源提供了一个实

韧性指数(RI)为0.9736，估计电池寿命为15.11年。LIME用框架[3]。

分析揭示了代理在空闲、充电和放电模式下的行为背后的理由，现代电力网络面临着来自自然灾害和网络威胁的

并确定了可再生发电是最具影响力的特征。本研究表明将先进的日益增长的风险，这些风险因数字化而加剧。这些罕见

DRL算法与可解释AI技术相结合，在微电网中实现可靠且透

但影响重大的事件凸显了提高智能电网[4]抗韧性的重

明的能源管理的有效性。

要性。与此同时，人工智能（AI）的进步为解决电力系

统中的挑战提供了新的工具，例如实时运营和不确定性

因素，如可变负载（例如电动汽车）和能源生产[5]。强

IndexTe