通过结合深度强化学习与基于物理的优化方法，实现双级配电系统并行恢复

《Journal of Modern Power Systems and Clean Energy》：Bi-Level Distribution System Parallel Restoration by Integrating Deep Reinforcement Learning with Physics-Based Optimization

　　

摘要：

配电系统并行恢复（DSPR）是在停电后确保快速恢复电力和实现弹性电力供应的关键过程。然而，DSPR问题的复杂性——包括黑启动过程、发电机启动序列（GSS）以及分区问题——由于涉及大量离散决策变量而带来了巨大的计算负担，从而给快速响应带来了挑战。因此，本文提出了一种新颖的双层DSPR方法，该方法将深度强化学习（DRL）与基于物理的优化相结合。我们没有并行解决GSS和分区问题，而是设计了一个层次结构来有效分离庞大的动作空间。在高层，DRL处理分区问题；而在底层，根据系统分区结果将GSS问题表述为混合整数线性规划（MILP）模型。一旦实施所提出的方法确定的策略，其产生的总恢复时间将作为奖励反馈。在标准的IEEE测试配电系统上的实验结果表明，该方法在恢复性能和计算效率方面都具有优越性。