基于条件生成对抗网络与多智能体强化学习的配电网可靠性评估方法

徐慧慧; 田云飞; 赵宇洋; 彭婧; 石庆鑫; 成锐

doi:10.11930/j.issn.1004-9649.202409074

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于条件生成对抗网络与多智能体强化学习的配电网可靠性评估方法

电力人工智能 | 更新时间：2025-10-29

- 基于条件生成对抗网络与多智能体强化学习的配电网可靠性评估方法
- A Reliability Assessment Method for Distribution Networks Based on Conditional Generative Adversarial Network and Multi-agent Reinforcement Learning
- “在大规模分布式光伏接入领域，提出了基于条件生成对抗网络与多智能体强化学习的配电网可靠性评估方法，显著提高了评估精度和计算效率，具有实用价值。”
- 中国电力 2025年58卷第4期页码：230-236
- 作者机构：
  
  1.国网甘肃省电力公司经济技术研究院，甘肃兰州　730030
  2.新能源电力系统国家重点实验室（华北电力大学），北京　102206
- 作者简介：
  
  [ "", "徐慧慧（1989），女，硕士，高级工程师，从事电力系统可靠性评估研究，E-mail：489754125@qq.com" ]
  [ "田云飞（1982），男，高级工程师，从事新能源及电网故障分析，E-mail：84163128@qq.com" ]
  [ "石庆鑫（1988），男，通信作者，副教授，从事弹性配电网运行与规划、储能规划、需求侧响应研究，E-mail：qshi@ncepu.edu.cn" ]
- 基金信息：
  
  国家自然科学基金资助项目（52307094）；国网甘肃省电力公司咨询项目（W24FZ2730050）。
- DOI：10.11930/j.issn.1004-9649.202409074
  中图分类号：
- 收稿：2024-09-18，
  
  修回：2025-03-14，
  
  纸质出版：2025-05-28
- 稿件说明：
移动端阅览
徐慧慧, 田云飞, 赵宇洋, 等. 基于条件生成对抗网络与多智能体强化学习的配电网可靠性评估方法[J]. 中国电力, 2025,58(4):230-236.

Huihui XU, Yunfei TIAN, Yuyang ZHAO, et al. A Reliability Assessment Method for Distribution Networks Based on Conditional Generative Adversarial Network and Multi-agent Reinforcement Learning[J]. Electric power, 2025, 58(4): 230-236.
徐慧慧, 田云飞, 赵宇洋, 等. 基于条件生成对抗网络与多智能体强化学习的配电网可靠性评估方法[J]. 中国电力, 2025,58(4):230-236. DOI： 10.11930/j.issn.1004-9649.202409074.

Huihui XU, Yunfei TIAN, Yuyang ZHAO, et al. A Reliability Assessment Method for Distribution Networks Based on Conditional Generative Adversarial Network and Multi-agent Reinforcement Learning[J]. Electric power, 2025, 58(4): 230-236. DOI： 10.11930/j.issn.1004-9649.202409074.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

配电信息物理系统分析与控制研究综述

基于分布式储能与光伏的虚拟电厂与配电网协同优化方法

考虑不确定性和绿证交易的虚拟电厂与配电网分布式优化

基于不完全量测数据的配电网状态估计方法

考虑综合收益的多电压等级配电网柔性互联装置协同规划方法

基于条件生成对抗网络与多智能体强化学习的配电网可靠性评估方法

A Reliability Assessment Method for Distribution Networks Based on Conditional Generative Adversarial Network and Multi-agent Reinforcement Learning

DOI：10.11930/j.issn.1004-9649.202409074