典型文献
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
文献摘要：
由于全球变暖等原因,导致越来越多的极端天气事件发生,此类高影响低概率事件的序列攻击对配电网造成重大破坏.为了分析配电网在极端事件下的脆弱性,该文提出一种基于深度强化学习(deep?reinforcement?learning,DRL)的极端事件攻击序列确定方法.利用马尔科夫决策过程(Markov?decision?process,MDP)捕捉灾害的时空特性,同时结合元件故障的随机性,应用连锁故障模型模拟系统的行为,即系统受极端事件影响而带来的更大的故障现象,引入基于价值的DRL方法确认对系统影响最大且故障率较高的关键线路序列.该文在IEEE测试系统中进行仿真,验证所提方法对极端事件中的配电网进行脆弱性分析的有效性和准确性.
文献关键词：
电力系统弹性;脆弱性分析;拓扑攻击;深度强化学习
中图分类号：
作者姓名：
周震尘;金涛
作者机构：
福州大学电气工程与自动化学院,福建 福州 350016
文献出处：
引用格式：
[1]周震尘;金涛-.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)[J].中国测试,2022(02):98-104
A类：
拓扑攻击
B类：
深度强化学习,配电网,电网脆弱性,全球变暖,极端天气事件,高影响,极端事件,deep,reinforcement,learning,DRL,确定方法,马尔科夫决策过程,Markov,decision,process,MDP,时空特性,随机性,连锁故障,故障模型,模型模拟,模拟系统,事件影响,故障现象,方法确认,系统影响,故障率,关键线路,IEEE,测试系统,对极,脆弱性分析,电力系统弹性
AB值：
0.412496
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
