机构名称：
¥ 1.0
摘要 - 发生极端事件后，可移动能源资源（MERS）可以是恢复批评负荷以增强电力系统弹性的有效方法，当时没有其他形式的能源。由于极端事件后MER的最佳位置取决于系统操作状态（例如，每个节点处的负载，系统分支的开/关状态等。），现有的基于分析的方法和基于人群的方法必须重复整个分析和计算，当系统运行状态发生变化时。相反，尽管系统状态经过各种情况培训，但基于深度的增强学习（DRL）方法可以迅速确定最佳或接近最佳位置。使用基于Q的深度学习方法提出了MER的最佳部署以提高电力系统的弹性。如果可用，也可以使用MERS来补充其他类型的资源。极端事件后，提出的方法分为两个阶段。在第一阶段将分布网络建模为图形，而Kruskal的跨越森林搜索算法（KSFSA）用于使用双人开关来重新配置网络。在第二阶段确定MER的最佳或近乎最佳位置，以最大程度地提高临界负载恢复。一项关于33个节点分布测试系统的案例研究证明了拟议方法的MERS灾难路由方法的有效性和功效。索引术语 - 深度Q网络，分配系统，可移动能源资源，增强学习，弹性。
一种基于强化的基于强化的学习方法...
主要关键词
相关文件推荐
