考虑超充电动汽车接入的配电网最优调度：一种物理信息增强的电压感知深度强化学习方法

《IEEE Potentials》：Optimal scheduling of distribution network with supercharging EV integration: A physics-informed voltage-aware DRL approach

　　摘要：分布式可再生能源渗透率不断上升以及电动汽车（EV）在配电网（DN）中的大规模接入，尤其是大功率电动汽车超充站的大量建设，带来了突发性高功率冲击，严重威胁调度的经济性与电压稳定性。因此，亟需一种快速且精准的优化调度方法，以确保配电网安全运行。针对这一挑战，本文提出了一种面向配电网优化调度的物理信息感知电压深度强化学习（PIVA-DRL）调度框架。首先，针对配电网潮流模型不完整导致的实时电压感知精度不足问题，提出了一种物理信息补偿残差网络（Pi-CORNet），将物理模型与残差学习相结合，实现精确且鲁棒的实时电压感知。其次，为提高策略收敛速度并增强对运行约束的遵守程度，利用Pi-CORNet引导深度强化学习智能体进行有信息量的决策。基于改进的IEEE 141节点配电网开展的案例研究表明，所提方法能够在动态条件下精确捕捉电压分布特征，并实现更快的收敛速度，从而有效提升配电网运行的稳定性。