arXiv · cs.AI· Josef Hoppe, Sarra Bouchkati, Farah Nasr, Jonathan Krapp, Alexander Och, Maximilian Wirth, Jan Schiefelbein-Lach, Oliver Pohl, Andreas Ulbig, Michael T. Schaub·· 3 小时前
低压电网中基于强化学习的拥塞管理鲁棒性研究
Robustness of Reinforcement Learning-Based Congestion Management in Low-Voltage Grids
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Josef Hoppe, Sarra Bouchkati, Farah Nasr, Jonathan Krapp, Alexander Och, Maximilian Wirth, Jan Schiefelbein-Lach, Oliver Pohl, Andreas Ulbig, Michael T. Schaub
期刊信息（来源提供）：J. Hoppe, S. Bouchkati, et al., "Robustness of Reinforcement Learning-Based Congestion Management in Low-Voltage Grids," 2026 International Conference on Smart Energy Systems and Technologies (SEST), Ciudad Real, Spain, 2026
研究任务与主要进展
研究者提出一种用于低压电网拥塞管理的随机森林预分类器与 actor-critic 控制器，并在真实低压电网上结合合成的未来运行场景测试。准确电网参数下，总违规幅度降低98.9%，在测试的测量噪声设置下性能几乎不变；电网模型参数不匹配更具挑战，但在所测试的不匹配假设下仍能缓解大部分违规。结果基于论文摘要，未读取全文。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org