迈向自适应电网韧性：用于关键负荷恢复的无梯度元强化学习框架
机器学习
2026-01-19 v1 系统与控制
系统与控制
摘要
在极端事件发生后恢复关键负荷需要自适应控制以维持配电网韧性，然而可再生能源发电的不确定性、有限的可调度资源以及非线性动态使得有效恢复变得困难。强化学习（RL）可以在不确定性下优化序贯决策，但标准 RL 通常泛化能力较差，并且对于新的停电配置或发电模式需要大量重新训练。我们提出了一种元引导的无梯度强化学习（MGF-RL）框架，该框架从历史停电经验中学习可迁移的初始化，并以最少的特定任务微调快速适应未见场景。MGF-RL 将一阶元学习与进化策略相结合，无需梯度计算即可实现可扩展的策略搜索，同时适应非线性的、受约束的配电系统动态。在 IEEE 13 节点和 IEEE 123 节点测试系统上的实验表明，在可再生能源预测误差下，MGF-RL 在可靠性、恢复速度和适应效率方面均优于标准 RL、基于 MAML 的元强化学习和模型预测控制。MGF-RL 能够泛化到未见的停电和可再生能源模式，同时所需的微调回合数远少于常规 RL。我们还提供了将适应效率与任务相似性和环境变化相关联的次线性遗憾界限，支持了实验增益，并推动了 MGF-RL 在富含可再生能源的配电网中实时负荷恢复的应用。
引用
@article{arxiv.2601.10973,
title = {Toward Adaptive Grid Resilience: A Gradient-Free Meta-RL Framework for Critical Load Restoration},
author = {Zain ul Abdeen and Waris Gill and Ming Jin},
journal= {arXiv preprint arXiv:2601.10973},
year = {2026}
}