Aprendizaje por imitación para la operación de redes eléctricas intra-diarias a través de acciones de topología

La operación de redes eléctricas se está volviendo cada vez más compleja debido al aumento en la generación de energía renovable. La reciente serie de competiciones Learning To Run a Power Network (L2RPN) ha fomentado el uso de agentes artificiales para ayudar a los despachadores humanos en la operación de redes eléctricas. En este documento estudiamos el rendimiento del aprendizaje por imitación para la operación de redes eléctricas de un día para otro a través de acciones de topología. En particular, consideramos dos agentes expertos basados en reglas: un agente codicioso y un agente N-1. Mientras que este último es más costoso computacionalmente ya que tiene en cuenta consideraciones de seguridad N-1, exhibe un rendimiento operativo mucho más alto. Entrenamos una red neuronal completamente conectada (FCNN) con pares de estado-acción de expertos y la evaluamos de dos maneras. Primero, encontramos que la precisión de clasificación es limitada a pesar de una extensa sintonización de hiperparámetros, debido al desbalance de clases y la superposición de clases. En segundo lugar, como agente de sistema eléctrico, la FCNN funciona solo ligeramente peor que los agentes expertos. Además, los agentes híbridos, que incorporan simulaciones adicionales mínimas, igualan el rendimiento de los agentes expertos con un costo computacional significativamente más bajo. En consecuencia, el aprendizaje por imitación muestra promesas para el desarrollo de agentes de red eléctrica rápidos y de alto rendimiento, motivando su exploración adicional en futuros estudios L2RPN.