RT25 | Beschleunigung des Reinforcement-Learning-Trainings für Energiesysteme mit OPAL-RT

Dr. Timothy M. Hansen von der Colorado State University stellt ein Echtzeit-RL-Rahmenwerk für die Netzfrequenzregelung mit OPAL-RT-Simulation vor. Der Ansatz, der am microgrid in Alaska demonstriert wird, ermöglicht ein 20-mal schnelleres RL-Training und verbessert die schnelle Frequenzreaktion (FFR) mit BESS-Integration. Die Studie schlägt eine Brücke zwischen KI und Energiesysteme durch Skalierbar Co-Simulation in Echtzeit.