RT25 | Accélération de la formation par apprentissage par renforcement pour les applications de systèmes électriques à l'aide d'OPAL-RT

Timothy M. Hansen, de l'Université d'État du Colorado, présente un cadre d'apprentissage par renforcement en temps réel (RL) pour le contrôle de la fréquence du réseau à l'aide de la simulation OPAL-RT. Démontrée sur le micro-réseau Cordova en Alaska, l'approche permet un apprentissage RL 20× plus rapide, améliorant la réponse rapide en fréquence (FFR) avec l'intégration des BESS. L'étude fait le lien entre l'IA et les systèmes électriques par le biais d'une co-simulation évolutive en temps réel.