Multi-Agent Reinforcement Learning for Self-Healing Distribution Networks under Power Quality Constraints

الملخص

يجب على شبكات التوزيع استعادة الأحمال السليمة بعد الأعطال دون انتهاك قيود الجهد الحراري أو الطوبولوجيا الشعاعية. تقترح هذه الورقة إطارًا محسنًا لتعلم التعزيز متعدد الوكلاء (MARL) لشبكات التوزيع ذاتية الشفاء تحت قيود جودة الطاقة. تم نمذجة نظام التوزيع الشعاعي IEEE 33-bus في Python باستخدام pandapower، بينما تم تنفيذ نموذج التعلم في PyTorch. تمت صياغة عزل الأعطال واستعادة الخدمة كقرارات تبديل منسقة عبر خمسة مفاتيح ربط مفتوحة عادةً. تم تقديم آلية إصلاح تحافظ على الشعاعية لمنع تكوينات ما بعد الاستعادة الحلقية، وتعمل دالة المكافأة الواعية بجودة الطاقة على إعطاء الأولوية للحمل المستعاد مع معاقبة انتهاكات الجهد، والحمل الزائد على الخطوط، وفقدان الطاقة، والتبديل المفرط، وعدم الشعاعية، وفشل تدفق الطاقة. تم حساب جميع مجموعات استعادة الأعطال الممكنة مسبقًا باستخدام pandapower واستخدامها كذاكرة تخزين مؤقت أثناء التدريب. عبر خمسة سيناريوهات أعطال، استعاد تعلم التعزيز متعدد الوكلاء المحسن جميع الأحمال القابلة للاسترداد، وحافظ على الطوبولوجيا الشعاعية، ولم ينتج عنه أي انتهاكات للجهد أو أحمال زائدة على الخطوط، وحقق متوسط حمل مستعاد بنسبة 82.48%، متطابقًا مع معيار البحث الشعاعي الشامل. اختلف متوسط المكافأة بشكل طفيف فقط عن البحث الشامل (404.31 مقابل 404.53)، بينما كانت الخسائر أقل من خط الأساس DQN أحادي الوكيل.