基于人在回路深度强化学习的配电网故障恢复方法OA

近年来,随着新型电力系统的扩张,配电网结构愈发复杂。故障发生后,配电网拓扑结构的变化和不确定性导致转供路径的选择呈现组合爆炸的难题。部分工作引入深度强化学习方法解决负荷转供问题,但其固有的低采样效率仍然是一个亟待解决的难题。为解决上述问题,文章提出一种基于人在回路深度强化学习的负荷转供方法。联合机器向人的主动学习和深度强化学习方法,构建一种新的知识书师生框架(knowledge book teacher-student framework,KnBo_TS)。该框架在师生模型的基础上首次引入“知识书”概念。利用深度强化学习强大的搜索能力,将学生智能体学习过程中负荷转供的状态图和动作图作为知识向量存储,完成知识书的构建;为避免教师建议的不确定性对决策的影响,建立学生寻求建议的优先顺序,优先查询知识书,其次寻求教师的建议;为提高模型搜索效率以及最大化建议的效用,提出一种基于欧氏距离的状态比较方法。实验结果表明,与传统的纯数据驱动深度强化学习方法相比,所提KnBo_TS方法的故障恢复率提高约12%,并且加快算法收敛时间。