arXiv cs.AI· Josef Hoppe, Sarra Bouchkati, Farah Nasr, Jonathan Krapp, Alexander Och, Maximilian Wirth, Jan Schiefelbein-Lach, Oliver Pohl, Andreas Ulbig, Michael T. Schaub·· 6 天前AI 评分12
基于强化学习的低压电网拥塞管理鲁棒性研究
Robustness of Reinforcement Learning-Based Congestion Management in Low-Voltage Grids
AI 导读
该研究将随机森林违规预分类器与 actor-critic 控制器结合，解耦拥塞检测与控制，在真实低压电网上评估其对测量噪声和电网参数失配的鲁棒性。在电网参数准确时，控制器将总违规幅度降低 98.9%，且在测试的测量噪声设置下性能几乎不变；电网模型失配挑战更大，但在测试假设下仍能缓解大部分违规。
正文 · AI 翻译
摘要：光伏发电量的增加、电动汽车充电以及热泵需求对低压配电网的运行极限提出了挑战。这需要能够在稀疏可观测性、含噪测量和不完美电网模型下运行的治理性削减方法。与先前针对部分可观测削减的端到端强化学习方法不同，本工作通过将随机森林违规预分类器与 actor-critic 控制器相结合，解耦了拥塞检测与控制，并评估了其对测量噪声和电网参数失配的鲁棒性。该框架在真实低压电网上使用低可观测性和可控性的合成未来运行场景进行了测试。在电网参数准确的情况下，控制器将总违规幅度降低了 98.9%，并且在所测试的测量噪声设置下，这一性能几乎保持不变。电网模型失配被证明更具挑战性，但在所测试的失配假设下，控制器仍能缓解大多数违规。
| 评论： | 6 页，5 幅图。发表于 SEST 2026 |
| 主题： | 系统与控制 (eess.SY)；人工智能 (cs.AI) |
| 引用为： | arXiv:2607.16004 [eess.SY] |
| （或 arXiv:2607.16004v2 [eess.SY] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.16004 arXiv 颁发的 DOI，通过 DataCite |
|
| 期刊 参考： | J. Hoppe, S. Bouchkati, et al., "Robustness of Reinforcement Learning-Based Congestion Management in Low-Voltage Grids," 2026 International Conference on Smart Energy Systems and Technologies (SEST), Ciudad Real, Spain, 2026 |
| 相关 DOI： | https://doi.org/10.1109/SEST67798.2026.11712361
链接到相关资源的 DOI |
提交历史
来自：Josef Hoppe [查看电子邮件]
[v1]
2026 年 7 月 17 日星期五 14:39:48 UTC（614 KB）
[v2]
2026 年 10 月 9 日星期五 08:47:44 UTC（614 KB）
来源：arXiv cs.AI · arxiv.org