Graph-basiertes Reinforcement Learning optimiert ESS-Dispatch in Stromnetzen

Ein neues Verfahren aus dem Bereich des graphbasierten Reinforcement Learning verspricht, die Steuerung von Energiespeichersystemen (ESS) in Stromverteilern deutlich zu verbessern. Durch die Kombination von Twin Delayed Deep Deterministic Policy Gradient (TD3) mit Graph Neural Networks (GNN) kann die optimale Einspeisung von ESS in Echtzeit berechnet werden, wobei sowohl wirtschaftliche als auch Spannungsaspekte berücksichtigt werden.

Die Autoren untersuchten drei GNN-Architekturen – Graph Convolutional Networks (GCN), Topology Adaptive Graph Convolutional Networks (TAGConv) und Graph Attention Networks (GAT) – auf 34‑ und 69‑Bus-Systemen. Alle Varianten reduzierten die Häufigkeit und Schwere von Spannungsüberschreitungen, wobei GCN und TAGConv auf dem 69‑Bus-System sogar geringere Kosten als ein NLP-Benchmark erzielten. Besonders stark zeigte sich die Leistungsverbesserung bei Netzrekonfigurationen.

Ein weiteres Augenmerk lag auf der Übertragbarkeit der Modelle zwischen Netzwerken unterschiedlicher Größe. Während Transferlernen in ähnlichen Systemen Vorteile brachte, führte ein Zero‑Shot-Transfer zwischen grundlegend unterschiedlichen Netzwerken zu Leistungseinbußen und vermehrten Spannungsproblemen. Die Ergebnisse unterstreichen die Bedeutung einer sorgfältigen Anpassung der GNN-Architektur an die spezifische Netztopologie.

Die vollständige Arbeit sowie die zugehörigen Code-Repositories sind unter https://github.com/ShuyiGao/GNNs_RL_ESSs und https://github.com/distributionnetworksTUDelft/GNNs_RL_ESSs verfügbar.