应用介绍

=====

＃L2RPN WCCI 2020竞赛

这是** _ 2020年6月至2020年7月** L2RPN WCCI 2020竞赛的存储库。 基于该存储库的RL代理在竞争中排名第三。

https://l2rpn.chalearn.org

https://competitions.codalab.org/competitions/24902#learn_the_details

https://github.com/rte-france/l2rpn-baselines

##摘要

L2RPN WCCI竞争的目标是培训生成模型，使其能够学习可以克服障碍（例如拥塞）的策略，同时优化电网总体运营成本。要减少电网的运营成本包括电力线损耗，调度成本和停电成本。鼓励参与者尽可能长时间地操作网格，即使比赛结束后也将受到停电的处罚。比赛还考虑了负载/ RES波动，线路维护。

在竞赛网格中，变电站具有“双母线布局”。变电站与对象（发电机，负载或电力线末端）之间的每个连接都可以在第一条总线或第二条总线上进行，如果断开则完全不进行。因此，有效的控制措施包括发电重新分配，线路切换和变电站母线的连接。

该库提供了用于竞争的基于策略的RL代理。使用不同的策略/技巧和（随机选择）数据集训练了两个模型。为了提高控制性能，模型将在测试阶段相互备份。所提出的方法受到了GEIRINA的启发

(https://github.com/shidi1985/L2RPN) and Amar (https://github.com/amar-iastate/L2RPN-using-A3C).

＃＃ 环境

这些代码是在Python 3.7.6中编程的。相关软件包列在[requirements.txt]（./ requirements.txt）中，并给出如下快速安装命令：

`pip3 install -r requirements.txt`

与L2RPN竞赛提供的环境相比，Keras更改为2.1.6，Tensorflow更改为1.14。

##基本用法

###运行测试

制作提交文件并测试模型的性能：

```

python make_submission_file.py

```

本地数据集的测试结果将显示在“ \ results \ results.html”中。

与提交的模型相比，似乎可以通过多次迭代来进一步提高模型的性能：

！[图片文字]（https://github.com/ZM4PESFC/L2RPN_WCCI_Possible_Solution/blob/master/results/Results.png）

###尝试其他操作

我们模型的动作包括随机选择的拓扑动作（线路切换，变电站母线连接）和发电重新分配。由于严格的斜坡限制，所有动作都将被识别为离散动作。如果您想尝试其他选择的操作空间，则可以更改文件“ Data_structure_process.py”并运行：

```

python Data_structure_process.py

```

###训练模型

要培训模型，请运行：

```

python Train_Agent_discrete.py

```

您可以尝试其他方法来训练模型（技巧重播NN的经验重播，强制探索，训练期间的安全验证，超参数的其他设置），这些代码带有注释供您参考。建议的代理使用不同的策略进行了培训（基于先前培训过程的NN参数）。

您可以尝试其他超参数设置（使用的参数在Train_Agent_discrete.py内部）。

深度学习运行电力网络WCCI 2020竞赛-一种可能的解决方案