ترجمه فارسی مقاله RL-ADN: یک محیط یادگیری تقویتی عمیق با عملکرد بالا برای توزیع بهینه سیستم‌های ذخیره انرژی در شبکه‌های توزیع فعال

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

یادگیری تقویت عمیق (DRL) یک خیابان امیدوارکننده را برای بهینه سازی سیستم های ذخیره سازی انرژی (ESS) در شبکه های توزیع ارائه می دهد.در این مقاله RL-ADN ، یک کتابخانه منبع باز نوآورانه که به طور خاص برای حل اعزام بهینه ESS در شبکه های توزیع فعال طراحی شده است ، معرفی شده است.RL-ADN انعطاف پذیری بی نظیری را در مدل سازی شبکه های توزیع و ESS ارائه می دهد و طیف گسترده ای از اهداف تحقیقاتی را در خود جای می دهد.یکی از ویژگی های برجسته RL-ADN ماژول افزایش داده های آن ، بر اساس مدل مخلوط گاوسی و توابع Copula (GMC) است که سقف عملکرد عوامل DRL را بالا می برد.علاوه بر این ، RL-ADN شامل حل کننده جریان برق لورنت است ، و به طور قابل توجهی بار محاسباتی محاسبات جریان برق را در طول آموزش کاهش می دهد و بدون قربانی کردن دقت.اثربخشی RL-ADN با استفاده از در اندازه های مختلف شبکه های توزیع نشان داده شده است ، که نشان دهنده بهبود عملکرد قابل توجه در سازگاری الگوریتم های DRL برای کارهای اعزام ESS است.این پیشرفت به ویژه از افزایش تنوع سناریوهای آموزشی مفید است.علاوه بر این ، RL-ADN در طول آموزش به ده برابر افزایش کارایی محاسباتی دست می یابد و آن را برای برنامه های شبکه در مقیاس بزرگ بسیار مناسب می کند.این کتابخانه معیار جدیدی را در DRL مبتنی بر DRL در شبکه های توزیع قرار می دهد و برای پیشبرد برنامه های DRL در عملیات شبکه توزیع به طور قابل توجهی آماده است.rl-adn در: https://github.com/shengrenhou/rl-adn و https://github.com/distributionnetworkstudelft/rl-adn در دسترس است.