一种极端自然事件下的基于深度强化学习的配电网脆弱性研究方法

由于全球变暖等原因，越来越多的极端天气事件发生。此类高影响、低概率事件的顺序攻击已对配电网造成重大损害。为了分析极端事件下配电网的脆弱性，提出了一种基于深度强化学习（DRL）的极端事件攻击序列确定方法。利用马尔科夫决策过程（MDP）捕捉灾害的时空特征，结合组件故障的随机性，应用链式故障模型模拟系统的行为，即极端事件引起的更大故障现象，采用基于价值的DRL方法确定对系统影响最大、故障率高的关键线路序列。本文在IEEE测试系统中进行了仿真，验证了本文提出的方法在极端事件下配电网脆弱性分析中的有效性和准确性。