面向最优输电切换的调度感知深度神经网络：实现实时且可行性保证的运行

最优输电切换通过选择性断开输电线路来改进最优潮流，但其混合整数形式增加了计算复杂度，尤其是在大型电网上。为解决此问题，我们提出了一种调度感知深度神经网络，它无需依赖预求解标签即可加速直流最优输电切换。该网络预测线路状态，并将其传递通过一个可微的直流最优潮流层，将由此产生的发电成本作为损失函数，从而在训练和推理过程中强制执行所有物理网络约束。此外，我们采用了一种定制的权重-偏置初始化，使得每次前向传播从第一次迭代开始就保持可行，从而允许在大型电网上进行稳定学习。一旦训练完成，所提出的调度感知深度神经网络在求解直流最优潮流的相同时间内产生一个可证明可行的拓扑和调度对，而传统的混合整数求解器则变得难以处理。因此，所提出的方法成功捕捉了最优输电切换的经济优势，同时保持了可扩展性。