In dieser Arbeit schlagen wir den Einsatz eines Reinforcement Learning (RL) Agenten zur Steuerung eines Kaskadenwasserkraftwerksystems vor. Dieser Job wird im Allgemeinen von Leitstandbedienern übernommen, die die Stromproduktion des Kraftwerks manuell an die sich ändernde Nachfrage der Energiehändler anpassen. Diese Arbeit untersucht das grundlegendere Problem der Durchflussregelung für die Stromproduktion in einem hochgradig nichtlinearen Umfeld basierend auf einem datengestützten digitalen Zwilling. Durch die Verwendung von Deep Deterministic Policy Gradient (DDPG), Twin Delayed DDPG (TD3), Soft Actor-Critic (SAC) und Proximal Policy Optimization (PPO) Algorithmen können wir die Eigenschaften des Systems verallgemeinern und den menschlichen Leitstandbedienergrad der Kontrolle über das gesamte System von acht Wasserkraftwerken am Fluss Drava in Slowenien bestimmen. Die Erstellung eines RL-Agenten, der Entscheidungen trifft, die einem menschlichen Leitstandbediener ähnlich sind, ist nicht nur interessant im Hinblick auf die Steuerung, sondern auch im Hinblick auf die Langfristanalyse von Entscheidungsfindungen in einem sich ständig ändernden Energiemarkt. Die spezifische Neuheit dieser Arbeit besteht darin, einen RL-Agenten in einer genauen Testumgebung von acht realen Kaskadenwasserkraftwerken am Fluss Drava in Slowenien zu trainieren und die Leistung des Agenten mit der der menschlichen Leitstandbediener zu vergleichen. Die Ergebnisse zeigen, dass der absolute durchschnittliche Fehler des RL-Agenten von 7,64 MW mit dem allgemeinen absoluten durchschnittlichen Fehler des menschlichen Leitstandbedieners von 5,8 MW bei einer maximalen installierten Leistung von 591,95 MW vergleichbar ist.
Weiss et al. (Tue,) haben diese Frage untersucht.