电网深度学习包Grid2Op

Grid2Op,电网深度学习代码,Grid2Op是考虑了模块化的特点,可以执行powergrid操作。 Grid2Op替代了pypownet,该平台是用于学习运行电力网络L2RPN的库。该框架允许执行大多数Powergrid操作,可以修改发电机的设定值到减载,执行维护操作或修改Powergrid的拓扑解决安全问题。

应用介绍

Grid2Op是考虑了模块化的特点,可以执行powergrid操作。 Grid2Op替代了pypownet,该平台是用于学习运行电力网络L2RPN的库。该框架允许执行大多数Powergrid操作,可以修改发电机的设定值到减载,执行维护操作或修改Powergrid的拓扑解决安全问题。

安装

要求:

Python> = 3.6

设置Virtualenv(可选)

创建一个虚拟环境

cd我的项目文件夹

pip3 install -U virtualenv

python3 -m virtualenv venv_grid2op

进入虚拟环境

来源venv_grid2op / bin / activate

从源安装


cd Grid2Op

pip3 install -U。

光盘..

从PyPI安装

pip3安装grid2op



cd Grid2Op

pip3 install -e。

pip3 install -e。[可选]

pip3 install -e。[docs]

码头工人

Grid2Op Docker容器在dockerhub上可用。

要在本地安装最新的Grid2Op容器,请使用以下命令:

docker pull bdonnot / grid2op:latest

Grid2Op的主要功能

核心功能

Grid2Op的构建考虑了模块化的特点,它替代了pypownet,而pypownet是用于学习运行电力网络L2RPN的库。

其主要特点是:

模拟任何大小,任何格式的Powergrid的行为(前提是正确实现了后端)

允许修改电网(有功和无功负载值,发电机电压设定值和有功产量)

允许维护操作和电源网格拓扑变化

可以采用任何powergrid建模,尤其是在进行模拟时要采用的交流(AC)和直流(DC)近似值

支持潮流求解器,动作,观察值的更改,以更好地满足执行电力系统运行建模的任何需求

具有以RL为重点的界面,与OpenAI-gym兼容:Environment类的界面相同。

参数,游戏规则或动作类型完全可以参数化

可以适应各种格式的任何输入数据(可能需要重写一个类)

潮流求解器

Grid2Op依赖于开源电源流求解器(PandaPower),但也与其他后端兼容。如果您可以使用其他电源流求解器,则grid2op / Backend的文档可以帮助您将其集成到适当的“后端”中,并让Grid2Op使用此电源流而不是PandaPower。

入门

某些Jupyter作为Grid2Op软件包的教程提供。它们位于getting_started目录中。

这些将帮助您了解如何使用此框架,并涵盖此框架最有趣的部分:

0_Introduction和0_SmallExample描述了grid2op框架所进行的工作(对电源系统和强化学习进行了少量介绍),并为小型powergrid操作提供了入门示例。

1_Grid2opFramework涵盖了Grid2Op框架的基础。它还介绍了如何创建有效的环境以及如何使用Runner类评估代理的快速性能。

2_Observation_Agents详细介绍了如何创建“专家代理”,该专家将根据从环境中获得的观察结果采取预定义的操作。本笔记本还介绍了BaseObservation类的功能。

3_Action_GridManipulation演示了如何使用BaseAction类以及如何操作powergrid。

4_TrainingAnAgent显示了如何在Grid2Op框架中进行强化学习。它将使用Abhinav Sagar在他的博客或github存储库中提供的代码。该代码将被修改(只有很小的更改,其中大多数都适合数据的形状),并且将针对此问题训练(D)DQN。

5_StudyYourAgent显示了如何研究BaseAgent,例如重新加载已保存的实验的方法,或在观察到的情况下绘制powergrid的方法。这是一个入门。更多的用户友好图形界面将很快推出。

6_RedispathingAgent从负责维护Powergrid安全的公司(又名传输系统运营商)的角度解释了什么是“重新调度”,以及如何在grid2op中操纵此概念。重新分配使您可以对powergrid问题执行连续的操作。

7_MultiEnv详细介绍了grid2op如何原生支持与多个环境同时交互的单个代理。例如,在强化学习社区中培训“异步”代理人特别方便。

8_PlottingCapabilities向您显示了(可视化)表示与代理进行交互的网格的不同方式。像许多开放式AI体育馆环境一样,可以使用渲染器。但是您也可以对代理进行后期处理,并制作一些动画,我们还开发了一个称为“ grid2viz”的图形用户界面(GUI),可以对代理在不同情况甚至是不同情况下的行为进行深入研究。将其与基准进行比较。

9_nvironmentModifications详细介绍了维护,危害和攻击。所有这三个代表的外部事件可能会断开某些电源线。本文档介绍如何发现此类事件的发生时间以及维护或攻击结束后的处理方法。

Ť

文件列表(部分)

名称 大小 修改日期
config.yml0.26 KB2020-07-03
.gitignore1.39 KB2020-07-03
.readthedocs.yml0.10 KB2020-07-03
AUTHORS.txt0.41 KB2020-07-03
environment.yml0.14 KB2020-07-03
CHANGELOG.rst11.43 KB2020-07-03
Dockerfile0.69 KB2020-07-03
action.rst1.70 KB2020-07-03
agent.rst0.62 KB2020-07-03
backend.rst0.89 KB2020-07-03
chronics.rst1.05 KB2020-07-03
conf.py1.14 KB2020-07-03
converter.rst0.93 KB2020-07-03
environment.rst0.83 KB2020-07-03
exception.rst0.23 KB2020-07-03
final.rst0.10 KB2020-07-03
grid2op.rst0.60 KB2020-07-03
random_agent.gif1,056.53 KB2020-07-03
index.rst0.89 KB2020-07-03
intro.rst0.54 KB2020-07-03
makeenv.rst2.99 KB2020-07-03
observation.rst1.94 KB2020-07-03
opponent.rst0.61 KB2020-07-03
parameters.rst0.65 KB2020-07-03
plot.rst1.17 KB2020-07-03
quickstart.rst1.38 KB2020-07-03
reward.rst1.29 KB2020-07-03
rules.rst0.56 KB2020-07-03
runner.rst1.13 KB2020-07-03
space.rst0.37 KB2020-07-03

立即下载

相关下载

[电网深度学习操作] 为了实现IPCC气候目标,世界范围内的电力系统正在通过脱碳和交通运输和供热等社会其他部门的电气化而以多种方式发生变化。这些根本性变化的结果是,未来运营电力网络面临的挑战越来越大。当前依赖于将网络实时保持在安全状态并为不久的将来进行计划的工具和技术可能不再足够。 RL是一个非常有用的框架,可以用来开发新的解决方案技术来解决脱碳世界中的网络运营问题。 RL涉及基于环境状态以及状态与操作之间的转换功能的代理执行操作。通过游戏化网络运行问题, 可以将RL部署为开发针对网络运营挑战的新颖解决方案的技术。
[电网深度学习包Grid2Op] Grid2Op,电网深度学习代码,Grid2Op是考虑了模块化的特点,可以执行powergrid操作。 Grid2Op替代了pypownet,该平台是用于学习运行电力网络L2RPN的库。该框架允许执行大多数Powergrid操作,可以修改发电机的设定值到减载,执行维护操作或修改Powergrid的拓扑解决安全问题。

评论列表 共有 0 条评论

暂无评论

微信捐赠

微信扫一扫体验

立即
上传
发表
评论
返回
顶部