Logo
Project Icon

Grid2Op

模块化电力系统仿真与强化学习平台

Grid2Op电网操作强化学习模块化设计电力系统Github开源项目

Grid2Op是一个模块化电力系统仿真平台,支持发电调度、负荷管理、维护操作和拓扑重构等多种电网控制。平台提供兼容OpenAI Gym的强化学习接口,支持自定义参数和规则,可适配多种数据格式。Grid2Op内置交直流潮流计算功能,并支持更换求解器,为电力系统建模和强化学习研究提供灵活高效的仿真环境。

访问官网访问官网GithubGithub文档文档论文论文
介绍相关项目

Grid2Op

下载量 PyPi版本 PyPi兼容性 许可证 文档状态 circleci [discord](https://raw.githubusercontent.com/rte-france/Grid2Op/master/ https://discord.gg/cYsYrPT) Binder

Grid2Op是一个以模块化为设计理念的平台，用于执行电网操作。 这就是它名称的含义：Grid To Operate（电网操作）。 Grid2Op作为pypownet的替代品， 是用于学习运行电网L2RPN的库。

该框架允许执行大多数类型的电网操作，从修改发电机的设定点， 到负荷切断、执行维护操作或修改电网的拓扑结构以解决安全问题。

官方文档：官方文档可在以下网址获取 https://grid2op.readthedocs.io/。

安装

要求

  • Python >= 3.6

设置虚拟环境（可选）

创建虚拟环境

cd my-project-folder
pip3 install -U virtualenv
python3 -m virtualenv venv_grid2op

进入虚拟环境

source venv_grid2op/bin/activate

从PyPI安装

pip3 install grid2op

从源代码安装

git clone https://github.com/rte-france/Grid2Op.git
cd Grid2Op
pip3 install -U .
cd ..

为贡献者安装

git clone https://github.com/rte-france/Grid2Op.git
cd Grid2Op
pip3 install -e .
pip3 install -e .[optional]
pip3 install -e .[docs]

Docker

Grid2Op的Docker容器可在dockerhub上获取。

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的主要特性

核心功能

Grid2Op是一个以模块化为设计理念的库，用于"学习运行电网"L2RPN 竞赛系列。它还可以

其主要特性包括：

  • 模拟任何规模和格式的电网行为（前提是正确实现了后端）
  • 允许电网修改（有功和无功负荷值、发电机电压设定点、有功发电量，最重要的是电网拓扑结构，包括输电线路的连接/断开）
  • 允许维护操作和电网拓扑结构变更
  • 可以采用任何电网建模方法，特别是交流（AC）和直流（DC）近似计算
  • 支持更改潮流求解器、动作、观察，以更好地满足电力系统运行建模的任何需求
  • 具有面向强化学习的接口，与OpenAI-gym兼容：环境类使用相同的接口
  • 参数、游戏规则或动作类型完全可参数化
  • 可以适应任何类型的输入数据，支持各种格式（可能需要重写一个类）

潮流求解器

Grid2Op依赖于开源潮流求解器（PandaPower）， 但也兼容其他后端。如果您有其他潮流求解器， grid2op/Backend的文档可以帮助您将其集成到适当的"后端"中， 使Grid2Op使用这个潮流求解器而不是PandaPower。

入门指南

为Grid2Op包提供了一些Jupyter笔记本作为教程。它们位于 getting_started目录中。

待办事项：这需要重做、重构和更好地解释其中的一些内容。

这些笔记本将帮助您理解如何使用这个框架，并涵盖了这个框架最有趣的部分：

或者借助Google Colab(所有链接都提供在笔记本描述附近)

引用

如果您在工作中使用了这个包,请引用:

@misc{grid2op,
    author = {B. Donnot},
    title = {{Grid2op- A testbed platform to model sequential decision making in power systems. }},
    year = {2020},
    publisher = {GitHub},
    journal = {GitHub repository},
    howpublished = {\url{https://GitHub.com/rte-france/grid2op}},
}

文档

官方文档可在https://grid2op.readthedocs.io/获取。

在本地构建文档

如果项目是从源代码安装的,可以构建文档的副本: 您需要Sphinx(一个文档构建工具)和一个漂亮的自定义类似于readthedocs.io的Sphinx主题。可以通过以下方式安装:

pip3 install -U grid2op[docs]

这将安装Sphinx包和自定义模板。

然后,在可以使用make的系统上(主要是gnu-linux和macos),可以使用以下命令构建文档:

make html

对于Windows或无法使用make的系统,可以使用以下命令:

sphinx-build -b html docs documentation

这将创建一个"documentation"子目录,文档的主入口点将位于index.html。

建议为方便起见在本地构建此文档。 例如,"入门"笔记本引用了帮助的一些页面。

贡献

我们欢迎每个人的贡献。对于较小的更改,可以采取拉取请求的形式。 如果是重大更改(或者如果您对什么是"小更改"有疑问),请先开一个issue讨论您想要更改的内容。

要为此代码做出贡献,您需要:

  1. 在https://github.com/rte-france/Grid2Op上fork存储库
  2. 将您的fork与"grid2op的最新开发分支"同步。例如,如果pypi上最新的grid2op版本是1.6.5,您需要将您的存储库与名为dev_1.6.6或dev_1.7.0的分支同步(如果dev_1.6.6分支不存在)。它将是grid2op官方github存储库中dev_*分支中的最高数字。
  3. 实现您的功能/编写您的修改或其他任何内容
  4. 如果适用,请确保添加测试和文档
  5. 开发完成后,再次将您的存储库与最新开发分支同步(参见上面的第2点),并确保解决任何可能的冲突
  6. 编写拉取请求,并确保针对正确的分支(即"最新开发分支")

贡献中的代码应通过所有测试,对新功能有专门的测试(如果适用),并有文档(如果适用)。

在实现任何主要功能之前,请先创建一个github issue。

测试和已知问题

目前执行的测试

Grid2op目前在Windows、Linux和macOS上进行测试。

单元测试包括在Linux机器上测试grid2op与以下版本的正确集成:

  • python 3.8
  • python 3.9
  • python 3.10
  • python 3.11
  • python 3.12

在所有这些情况下,我们测试了grid2op在所有可用的numpy版本 >= 1.20上的表现(注意可用的numpy版本取决于python版本)。

完整的测试套件在Linux上使用python 3.10的最新numpy版本运行。

已知问题

由于Windows上Python版本中"multiprocessing"包的基本行为,grid2op的"Runner"的"multiprocessing"在Windows上不受支持。这在未来可能会改变,但目前不在我们的优先考虑范围内。

一个已知可行的快速修复方法是在使用grid2op.make(..., experimental_read_from_local_dir=True)创建环境时设置experimental_read_from_local_dir(有关更多信息,请参阅文档)

有时,在某些配置(Python版本)下,我们不建议将grid2op与pandas>=2.2一起使用。如果遇到任何问题,请降级到pandas<2.2。这种行为在我们的持续集成环境中出现在python >=3.9上,但无法在本地复现。

在本地执行测试

假设Grid2Op是从源代码安装的:

安装额外的依赖项

pip3 install -U grid2op[optional]

启动测试

cd grid2op/tests
python3 -m unittest discover

许可信息

版权所有 2019-2020 RTE France RTE: http://www.rte-france.com

此源代码受Mozilla公共许可证(MPL)v2的条款约束,也可在此处获得

相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号