弹性配电系统动态负荷恢复的深度强化学习方法

作者：黄玉雄; 李更丰; 张理寅; 别朝红^*

来源：电力系统自动化, 2022, 46(08): 68-78.

• 负荷恢复
• 深度学习
• 强化学习
• 配电系统
• 微网(微电网)
• 弹性

极端事件下，合理利用微网盈余电力供应配电系统中的关键负荷，可有效提升电网弹性。基于深度强化学习(DRL)技术，提出一种考虑微网参与的配电系统动态关键负荷恢复（DCLR）方法，支持以无模型的方式求解复杂问题，以提升在线计算效率。首先，分析含微网的配电系统DCLR问题，并在此基础上构建其马尔可夫决策过程，其中考虑了配电系统运行、微网运行和用户满意度等约束条件。其次，基于OpenDSS构建DCLR模拟环境，形成DRL应用所需的智能体-环境交互接口，进一步采用深度Q网络算法搜寻关键负荷恢复的最优控制策略，并定义收敛性、决策能力指标分别用于评价智能体的训练和应用表现。最后，基于改进的IEEE测试系统验证了所提方法的有效性。

• 单位
  西安交通大学