Автор: Н.В. Томин, В.Г. Курбацкий, Институт систем энергетики им. Л.А. Мелентьева, СО РАН, Иркутск, Россия, В.А. Борисов, С.П. Музалев, Иркутский научный центр СО РАН Иркутск Россия
Author: N.V. Tomin, V.G. Kurbatsky, Institute of energy systems L.A. Melentieva SB RAS V.A. Borisov, S.P. Muzalev, Irkutsk scientific center SB RAS
Ключевые слова: распределительная электрическая сеть; цифровой двойник; машинное обучение; активное управление сетью; динамическая оптимизация; обучение с подкреплением.
Key words: electrical distribution network; digital twin; machine learning; active network management; dynamic optimization; reinforcement learning.
Аннотация: В статье предложена концепция построения цифрового двойника на базе метода обучения с подкреплением, который позволяет реализовать точную цифровую модель электрической сети с двунаправленным автоматическим обменом данными, используемую для моделирования, оптимизации и управления. Основной частью такой модели является агент (цифровой двойник), который при постоянном взаимодействии с физическим объектом (электрической сетью) осуществляет поиск оптимальной стратегии активного управления сетью из имеющихся краткосрочных стратегий, позволяющих контролировать мощность, выдаваемую генераторами и/или потребляемую нагрузкой, чтобы избежать перегрузки или проблемы с напряжением. Свое обучение такой агент может верифицировать с изначальной стратегией, которая может рассматриваться как совет учителя. Эффективность подхода продемонстрирована на тестовой 77-узловой схеме, а также реальной 17-узловой схемы сети микрорайона Академгородок, которая проходит этап активной интеллектуализации и цифровизации.
Abstract: The article proposes the concept of building a digital twin based on the reinforcement learning method, which allows you to implement an accurate digital model of an electrical network with bidirectional automatic data exchange, used for modeling, optimization and control.
The main part of such a model is an agent (digital twin), which, in constant interaction with a physical object (electrical network), searches for the optimal strategy for active control of the network, from the available short-term strategies that allow you to control the power supplied by generators and / or consumed by the load in order to avoid overload or voltage problems. Such an agent can verify his training with the initial strategy, which can be considered as a teacher’s advice. The effectiveness of the approach is demonstrated on a test 77-nodal diagram, as well as on a real 17-nodal network diagram of the Akademgorodok microdistrict (Irkutsk) according to data from smart electricity meters. The effectiveness of the proposed method was demonstrated on a test 77-node scheme, as well as on a real 17-node network scheme of the Akademgorodok microdistrict, which is undergoing a stage of active intellectualization and digitalization.
