【技术实现步骤摘要】
本专利技术属于配电网维修，尤其涉及一种计及修复时间不确定性的配电网动态维修决策方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、极端天气事件会造成大量变电站和输电线路故障，从而导致用户不同程度的停电，造成重大经济损失。若无法在有限资源下对各关键故障设施的维修任务进行分配并制定其维修次序，则极有可能推迟系统供电恢复进程。因此，制定合理的维修策略，可预防其他基础设施的并发故障，阻止事故范围进一步扩大，对于配电网的韧性提升具有重要的现实意义。
3、随着机器学习(ml)的发展，越来越多的工作集中在使用ml方法解决组合优化问题，如旅行商问题。强化学习(rl)是一种机器学习领域的方法，它主要关注如何基于环境反馈来学习和改进决策策略。深度强化学习(drl)是强化学习和深度学习的结合。深度学习提供了强大的表示学习能力，使得智能体能够更好地理解和表示环境。在深度强化学习中，智能体使用深度神经网络来近似值函数或策略，这使得智能体能够处理更复杂、高维的状态和动作空间。
...【技术保护点】
1.一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，包括：
2.如权利要求1所述的一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，各个决策点下的动作集合表示为：
3.如权利要求1所述的一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，根据决策点之间的累积负荷供给缺额设计奖励函数，具体为：
4.如权利要求1所述的一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，将配电网中故障元件的动态维修问题建立马尔科夫决策过程模型，还包括：
5.如权利要求4所述的一种计及修复时间不确定...
【技术特征摘要】
1.一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，包括：
2.如权利要求1所述的一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，各个决策点下的动作集合表示为：
3.如权利要求1所述的一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，根据决策点之间的累积负荷供给缺额设计奖励函数，具体为：
4.如权利要求1所述的一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，将配电网中故障元件的动态维修问题建立马尔科夫决策过程模型，还包括：
5.如权利要求4所述的一种计及修复时间不确定性的配电网动态维修决策方法，其特征在于，针对所述马尔科夫决策过程模型搭建基于dqn算法的深度强化学习框架，利用故障评估环节得到的实际故障修复时间场景对神经网络进行训练，以得到最优策略网络，...
【专利技术属性】
技术研发人员：郭昌林，刘建，宋仕杰，陈钰，孙锐，高俊营，赵忠斌，郭焕辉，毛忠浩，王朋朋，吴伟，
申请(专利权)人：国网山东省电力公司德州供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。