基于多智能体强化学习提升微电网在极端天气事件下的韧性
系统与控制
2026-01-21 v1 系统与控制
摘要
韧性对于应对由日益频繁的极端天气事件引发的停电至关重要。经过精心设计的能源管理系统（EMS）已在协调分布式能源资源（DER）方面取得了提高微电网韧性的进展，但仍面临着针对极端天气导致的负荷需求不确定性的挑战。将深度强化学习（DRL）集成到 EMS 设计中，可实现协调 DER 的最优化微电网控制策略。基于此，我们提出了一种基于协作多智能体深度强化学习（MADRL）的 EMS 框架，以提供灵活的可扩展性，增强韧性并在停电期间降低运营成本。具体而言，引入带有门控机制的门控循环单元（GRU）来提取时序数据，使 EMS 能更高效地协调 DER。随后，在 IEEE 33 节点系统上使用真实世界的可再生能源发电和电力负荷数据评估了所提出的 MADRL 方法，采用动作掩码技术。最后，数值结果表明该方法在降低运行成本方面优于传统方法，以及在停电期间有效提升微电网韧性。
引用
@article{arxiv.2601.12657,
title = {Multiagent Reinforcement Learning in Enhancing Resilience of Microgrids under Extreme Weather Events},
author = {Yin Wu and Wei-Yu Chiu and Yuan-Po Tsai and Shangyuan Liu and Weiqi Hua},
journal= {arXiv preprint arXiv:2601.12657},
year = {2026}
}
备注
26 pages, 9 figures