基于深度强化学习的主动配电网高恢复力决策方法

• 作者: 罗欣儿 杜进桥 田杰 刘安迪 王标 李妍 王少荣
• 来源期刊: 南方电网技术
• 学科: 工学
• 关键词: 马尔科夫决策过程 竞争深度Q网络(DDQN) 深度强化学习(DRL) 高恢复力 配电网
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 电力系统分析|Power System Analysis
• 页码范围: 67-74
• 页数: 8页
• 分类号: TM732
• 语种: 中文
• DOI: 10.13648/j.cnki.issn1674-0629.2022.01.007

摘要

随着全球极端天气事件频发,电力系统在极端自然灾害下恢复力的研究日益受到关注.本文提出基于深度强化学习的高恢复力决策方法,将极端灾害下配电网运行状态和线路故障状态作为观测状态集合,自学习智能体Agent在当前环境观测状态下寻求可行的决策策略进行动作,定义自学习Agent的回报函数以进行动作评价;采用观测状态数据,开展基于竞争深度Q网络(dueling deep Q network,DDQN)的深度强化学习(deep reinforcement learning,DRL)训练,智能体Agent通过试错学习方式选择动作,试错经验在估值函数Q矩阵中存储,实现状态到主动配电网实时故障恢复策略的非线性映射;最后结合改进的IEEE 33节点算例,基于蒙特卡罗法仿真随机故障场景,对所提出方法生成的故障恢复随机优化决策进行分析.结果表明:通过主动配电网的分布式电源、联络开关和可中断负荷的协调优化控制,可以有效提升极端灾害下供电能力.