面向配电系统恢复的双头物理信息图决策转换器
系统与控制
2025-08-20 v2 系统与控制
摘要
受感知与计算技术的最新进步驱动，深度强化学习（DRL）技术在面对不确定性下的配电系统恢复（DSR）方面显示出巨大的潜力。然而，它们数据密集型且依赖马尔可夫决策过程（MDP）假设，限制了其处理需要长期时间依赖或零样本和少样本决策的情景的能力。新的决策转换器（DTs）利用因果转换器进行 DRL 任务序列建模，提供了有前景的替代方案。然而，它们依赖于返回到起点（RTG）克隆和有限的泛化能力限制了其在动态电力系统环境中的有效性。为解决这些挑战，我们提出了创新的双头物理信息图决策转换器（DH-PGDT），集成物理建模、结构推理和子目标引导，使其即使在零样本或少样本情景下也能实现可扩展且稳健的 DSR。DH-PGDT 包括由 Guidance Head 生成子目标表示的双头物理信息因果转换器架构，以及 Action Head 独立于 RTG 利用这些子目标生成动作。它还包含一种操作约束感知的图形推理模块，用于编码电力系统拓扑和操作约束，以生成置信度加权的动作向量，用于细化 DT 轨迹。该设计有效提高了泛化性，使其能够适应不可见情景。虽然本工作聚焦于 DSR，但提出的 PGDT 计算模型广泛适用于各种电力系统操作和其他复杂工程领域的序列决策。
引用
@article{arxiv.2508.06634,
title = {Dual-Head Physics-Informed Graph Decision Transformer for Distribution System Restoration},
author = {Hong Zhao and Jin Wei-Kocsis and Adel Heidari Akhijahani and Karen L Butler-Purry},
journal= {arXiv preprint arXiv:2508.06634},
year = {2025}
}