Meta‑Lern‑Framework verbessert Wiederherstellung kritischer Lasten in Stromnetzen

Nach extremen Ereignissen muss die Stromverteilung schnell und zuverlässig wiederhergestellt werden. Dabei stellen die Unsicherheit in der erneuerbaren Erzeugung, die begrenzten dispatchbaren Ressourcen und die nichtlinearen Systemdynamiken große Herausforderungen dar.

Reinforcement‑Learning (RL) kann solche sequentiellen Entscheidungen unter Unsicherheit optimieren, doch klassische RL‑Methoden generalisieren schlecht und erfordern umfangreiches Retraining, wenn neue Ausfallkonfigurationen oder Erzeugungsmuster auftreten.

Das neue Meta‑Guided Gradient‑Free RL (MGF‑RL) kombiniert first‑order Meta‑Learning mit evolutionären Strategien. Dadurch entsteht ein lernfähiges Initialisierungs‑Set, das aus historischen Ausfall‑Erfahrungen abgeleitet wird und sich rasch an unbekannte Szenarien anpasst – ohne Gradient‑Berechnungen und unter Berücksichtigung der komplexen, beschränkten Dynamik von Verteilnetzen.

In Tests auf den IEEE‑13‑Bus‑ und IEEE‑123‑Bus‑Systemen übertrifft MGF‑RL herkömmliches RL, MAML‑basiertes Meta‑RL und Model‑Predictive‑Control in Bezug auf Zuverlässigkeit, Wiederherstellungszeit und Anpassungseffizienz, selbst bei Fehlern in den Erneuerbaren‑Vorhersagen.

MGF‑RL generalisiert zuverlässig auf bislang nicht beobachtete Ausfälle und erneuerbare Muster und benötigt dafür deutlich weniger Feintuning‑Episoden. Zusätzlich liefert das Verfahren sublineare Regret‑Grenzen, die die Anpassungseffizienz in Abhängigkeit von Aufgabenähnlichkeit und Umweltvariabilität quantifizieren.

Diese Ergebnisse zeigen, dass MGF‑RL ein vielversprechender Ansatz für die Echtzeit‑Wiederherstellung kritischer Lasten in erneuerungsintensiven Verteilnetzen ist und die Resilienz von Stromsystemen nachhaltig stärkt.