在低压配电网中，光伏发电、电动车充电和热泵需求的增加挑战着运行极限。这需要在稀疏可观测性、噪声测量和不完善电网模型下运行的有效削减方法。本研究不同于先前的端到端强化学习方法，采用随机森林违规预分类器与演员-评论家控制器相结合，解耦了拥塞检测和控制，并评估其对测量噪声和电网参数不匹配的鲁棒性。该框架在真实的低压电网中进行测试，使用具有低可观测性和可控性的合成未来操作场景。在准确的电网参数下，控制器将总违规幅度减少了98.9%，并且在测试的测量噪声条件下，该性能几乎保持不变。电网模型不匹配被证明更具挑战性，但控制器仍能在测试的不匹配假设下缓解大部分违规情况。
博主点评： 本文提出的强化学习框架通过结合随机森林和演员-评论家方法，有效提升了低压电网在噪声和模型不匹配情况下的鲁棒性，展示了机器学习在电力系统管理中的潜力。