弹性配电系统中用于实时供电恢复的混合模仿学习
系统与控制
2021-05-11 v3 机器学习
系统与控制
摘要
自愈能力是弹性配电系统最关键的要素之一，它要求智能体在线自动执行恢复动作，包括网络重构与无功调度。这些智能体应配备预先设计的决策策略，以满足实时性要求并处理高度复杂的 场景。扰动的随机性阻碍了以探索为主导的算法（如传统强化学习（RL））的应用，且 场景下的智能体训练问题尚未得到彻底解决。本文提出模仿学习（IL）框架来训练此类策略，其中智能体与专家交互以学习其最优策略，从而相比 RL 方法显著提升训练效率。为同时处理联络线操作与无功调度，我们针对这种离散-连续混合动作空间设计了一种混合策略网络。我们利用 扰动下的 33 节点系统来验证所提框架。
引用
@article{arxiv.2011.14458,
title = {Hybrid Imitation Learning for Real-Time Service Restoration in Resilient Distribution Systems},
author = {Yichen Zhang and Feng Qiu and Tianqi Hong and Zhaoyu Wang and Fangxing Li},
journal= {arXiv preprint arXiv:2011.14458},
year = {2021}
}