新框架用深度强化学习区分配电网固有风险与分布外异常
研究提出将分布式与贝叶斯深度强化学习结合，构建二阶不确定性量化方案，以区分配电网运行中的随机固有风险和分布外异常事件。
AI解读：配电网运营商面对的两类问题性质不同：负荷波动等随机但正常的工况属于固有风险，而异常负荷模式、极端天气或网络攻击则属于分布外异常。这项研究提出的深度强化学习框架，用二阶不确定性量化把总不确定性拆成偶然不确定性和认知不确定性两部分，分别对应固有风险与分布外异常，让代理在训练和部署时能区分处理。对运营商的直接价值在于：认知不确定性估计既能驱动训练中的探索，也能在部署时触发异常检测和备用控制，避免把异常当正常工况处理；偶然不确定性则用于刻画日常运行风险。需要说明的是，论文基于仿真结果验证性能，作者未提供实际配电网部署数据，因此其真实环境效果仍需验证。
arXiv论文（编号 2609.03308，2026 年 9 月 3 日提交）提出一个显式不确定性感知的深度强化学习框架，用于配电网最优运行中的风险与异常联合识别。作者Ziqi Zhang将分布式强化学习与贝叶斯深度强化学习结合，实现二阶不确定性量化，把总不确定性分解为偶然不确定性（aleatoric）和认知不确定性（epistemic），分别用于刻画固有运行风险和分布外异常。
方法设计
依据论文摘要，偶然不确定性用于表征随机但分布内条件下的固有运行风险；认知不确定性估计则同时驱动训练阶段的探索和部署阶段的分布外检测，并在检测到异常时触发备用控制。论文指出，实际运营中运营商需要区分两类情况：分布于随机但正常工况中的固有风险，以及对应分布外行为的异常，如异常负荷模式、极端天气或网络物理攻击。
- 模拟结果表明，深度强化学习代理的性能以及不确定性量化方案的有效性得到了验证。