俞 虹，唐诚旋，蒋群群，陈珏伊，张 秀

（1.中国南方电网有限责任公司贵阳供电局，贵州贵阳 550002；2.中国南方电网有限责任公司贵阳金阳供电局，贵州贵阳 550081；3.中国南方电网有限责任公司贵阳开阳供电局，贵州开阳 550300）

电力系统断电后快速恢复至关重要，合理的电力应急电源调度是灾后电力系统快速恢复的重要环节[1-2]。目前常应用的电力系统应急物资调度算法主要有基于节点综合权值的电力应急物资调度算法[3]和基于改进飞蛾扑火算法求解多需求点的应急物资调度算法[4]。然而传统调度算法常因动态电力信息的影响而存在调度时间不精准的问题。针对这一问题，该研究提出并设计了基于强化学习的电力系统应急物资调度算法。在特定策略下，通过与外部环境的交互作用，完成电力系统应急物资调度。

1 强化学习调度模型

在电力系统应急物资调度应用中，采用强化学习算法，需要解决行为选择和行为价值函数存储与推广问题。为了保证强化学习在实际调度中更加具有针对性，需确定基本调度要素：电力系统状态集合、行为集合、报酬函数、平均性能指标和行为值函数。

电力系统状态集合s：主要是指电力系统中紧急情况下的运行信息，如紧急工况的位置、调度时间、系统状态选择等，系统以每离散时刻的状态信息为决策依据[5]。

行为集合a：包括电网应急物资调度行为序列，用于实现电力系统紧急调集物资调度[6]。

报酬函数r()s,a：对于电力系统中紧急供电问题，需通过该函数配合强化学习框架，保证计算所得报酬为负值，能够有效保证电力系统应急物资调度费用最小[7-9]。……