基于深度 Q 学习的配电网重构以提升可靠性
系统与控制
2023-05-03 v1 系统与控制
摘要
配电网重构（DNR）已被证明是提升配电系统可靠性的一种经济有效方式。由于最优网络配置依赖于系统运行状态（如各节点负荷），现有的解析与基于种群的方法需在系统运行状态变化时重复整个分析与计算以寻找最优网络配置。相反，若训练得当，基于深度强化学习（DRL）的 DNR 即使系统状态变化也能快速确定最优或近最优配置。本文提出一种基于深度 Q 学习的框架用于最优 DNR 以提升系统可靠性。以最小化平均削减功率为目标函数构建优化问题。优化问题的约束为辐射状拓扑约束与所有节点遍历约束。配电网被建模为图，通过搜索最优生成树确定最优网络配置。最优生成树即为平均削减功率值最小的生成树。所提框架的有效性通过 33 节点与 69 节点配电测试系统的多个案例研究得以验证。
引用
@article{arxiv.2305.01180,
title = {Deep Q-Learning-based Distribution Network Reconfiguration for Reliability Improvement},
author = {Mukesh Gautam and Narayan Bhusal and Mohammed Benidris},
journal= {arXiv preprint arXiv:2305.01180},
year = {2023}
}