基于超声激励的电力系统可扩展性韧性响应强化引擎

大量研究旨在通过检测潜在的网络或物理扰动来增强网络-物理系统（CPS）的韧性。然而，在基于融合网络-物理数据的情境下，开发面向电力系统情境的可扩展且最优响应措施仍处于初级阶段。为此，本文引入一种基于强化学习（RL）和角色-相互作用发现（RID）技术的电力系统响应引擎。RL-RID-GridResponder 设计用于自动检测扰动并辅助决策，以确保电力系统的最优运行。该方法通过集成具有缩减动作空间和状态空间的 RID 模块，实现了基于 RL 的结构学习，从而提升了可扩展性。本文在电力系统情境下的 DoS 攻击情境下，展示了 RL-RID-GridResponder 在提供可扩展且最优响应方面的适用性。此外，在融合网络和物理数据集的基础上，对 Volt-Var 调节问题进行仿真实验，分别使用增强型 WSCC 9 节点系统和增强型 IEEE 24 节点系统。结果表明，所提出的 RL-RID-GridResponder 能在 DoS 攻击情境下快速且准确地响应，确保电力系统的最优运行，并可推广至其他系统扰动情境，如线路故障和负荷丢失。