近日，我院硕士生陈一熙作为第一作者撰写的论文入选能源领域顶会IEEE PESGM 2024 Best Conference Paper（最佳论文），该论文是在朱继忠教授指导下完成，论文题目为《Distributed Hybrid Deep Reinforcement Learning for Grid Emergency Control》。

紧急控制是电网安全防御系统中最重要的组成部分之一。传统的紧急控制方法往往面临在线效率低下、适应性差等挑战，限制了其在现代电力系统中的实际应用。近年来，深度强化学习（DRL）算法由于在快速响应和复杂关系映射等方面具备优势，已被认为是求解紧急控制问题的一种很有前途的方法。然而，现有的基于DRL的方案仍然难以解决带有高维混合控制动作空间的复杂紧急控制问题，通常存在计算效率低下和缺乏鲁棒性等训练问题。为解决上述问题，该论文提出了一种基于分布式混合深度强化学习的在线紧急控制方案，通过提出一种高度可伸缩和灵活的混合策略来实现对混合动作空间的适应（图1），并定制了一种基于经验共享的分布式架构对所提算法进行了拓展，通过利用多核CPU的优势有效地提高了训练性能（图2）。

图1 混合策略网络架构

图2 基于经验共享的分布式架构

据悉， 国际电气与电子工程师协会（IEEE）电力与能源协会学术年会（Power & Energy Society General Meeting）是全球最具影响力的电力行业旗舰会议，每年在北美地区召开一次，是全球电力和能源学者、工程师云集的高水平学术论坛。经过严格的评审过程，每年只有不到2%的录用论文被评为最佳会议论文。2024年全国高校仅有12篇论文获评IEEE PESGM 2024 Best Conference Paper。（图文/爱思科团队 审核/苏秋斌）