基于深度强化学习的智能电网能耗优化
机器学习
2026-02-24 v1 人工智能
分布式、并行与集群计算
摘要
智能电网中的能源管理问题本质上是高度复杂的，由于各组成部分之间的相互依存关系。尽管已提出使用强化学习（RL）来解决最优功流（OPF）问题，但需要与环境进行迭代交互，往往需要计算昂贵的模拟器，导致显著的样本低效。在本研究中，通过使用物理信息神经网络（PINN）来解决这些挑战，PINN 可以取代传统且成本高昂的智能电网模拟器。我们增强了 RL 策略学习过程，以实现比原始环境所需时间的可观比例时间即可收敛。将 PINN 基 surrogate 与其他基准数据驱动 surrogate 方法进行比较。通过纳入底层物理法则的知识，结果表明，PINN surrogate 是本文情境下唯一能够在没有访问真实模拟器样本的情况下获得强 RL 策略的方法。结果表明，使用 PINN surrogate 可将训练速度提高约 50%，而产生的性能分数类似于由原始模拟器生成的性能分数。
引用
@article{arxiv.2602.18531,
title = {Deep Reinforcement Learning for Optimizing Energy Consumption in Smart Grid Systems},
author = {Abeer Alsheikhi and Amirfarhad Farhadi and Azadeh Zamanifar},
journal= {arXiv preprint arXiv:2602.18531},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2510.17380 by other authors