基于物理的联邦强化学习用于智能电网分布式暂态稳定控制
英文标题：Federated Physics-Grounded Reinforcement Learning for Distributed Stability Control in Smart Grids
本文针对智能电网故障后需快速抑制发电机频率与功角偏移的需求，提出联邦多智能体近端策略优化框架 FedPPO-PG。该框架将物理模型信息融入奖励设计，在不共享原始数据的前提下实现多个控制代理的协同训练。实验表明，FedPPO-PG 在 IEEE 39 节点系统上的阻尼效果和收敛速度均优于传统集中式及独立训练方法，为隐私保护下的大电网自适应稳定控制提供了新路径。
打开原文相关 2.4 · 机会 1
2.6 KB
2.1 KB
612 B
380 B
9.1 KB
22.8 KB
24.2 KB
34.7 KB
中文
基于物理的联邦强化学习用于智能电网分布式暂态稳定控制
摘要
智能电网的暂态稳定控制要求在故障发生后迅速抑制发电机频率和功角偏差，以防止连锁故障。本文提出 FedPPO-PG，一种联邦多智能体近端策略优化 (Federated Multi-Agent Proximal Policy Optimization) 框架，该框架明确将物理先验知识嵌入奖励函数，从而在多个控制代理之间实现隐私保护的协作训练。在 IEEE 39 节点基准系统上的实验结果显示，与集中式 RL 控制器以及各自独立训练的代理相比，FedPPO-PG 能够以更快的收敛速度达到更优的振荡阻尼性能。这些发现表明，联邦物理引导学习为未来灵活、可扩展且保护数据主权的电力系统稳定控制提供了一条可行路径。
BibTeX formatted citation
注：原文仅提供 BibTeX 引用格式占位符，无具体条目。
English / 原文
BibTeX formatted citation
×