基于图神经网络和强化学习的极端运行条件快速搜索方法——用于继电保护选值计算
机器学习
2025-01-17 v1
摘要
搜索极端运行条件（Extreme Operating Conditions, EOCs）是电力系统继电保护选值计算的核心问题之一。当前基于暴力搜索、启发式算法和数学规划的方法难以满足今天电力系统在计算速度方面的需求，这是由于可再生能源和电力电子导致运行条件的剧烈变化所致。本文提出一种 EOC 快速搜索方法，命名为图对抗双向深度 Q 网络（Graph Dueling Double Deep Q Network, Graph D3QN），其结合了图神经网络和深度强化学习以解决此挑战。首先，将 EOC 搜索问题建模为马尔可夫决策过程（Markov Decision Process），通过图神经网络提取电力系统的相关信息，以便通过深度强化学习找到系统的 EOC。随后，构建两阶段引导学习与自由探索（Guided Learning and Free Exploration, GLFE）训练框架，以加快强化学习的收敛速度。最后，通过对 IEEE 39 节点和 118 节点系统中继电保护选值计算的最大故障电流搜索进行案例研究来验证所提的 Graph D3QN 方法。实验结果表明，Graph D3QN 可在保证所选 EOC 准确性的前提下，将计算时间缩短 10 倍到 1000 倍。
关键词
引用
@article{arxiv.2501.09399,
title = {Fast Searching of Extreme Operating Conditions for Relay Protection Setting Calculation Based on Graph Neural Network and Reinforcement Learning},
author = {Yan Li and Jingyu Wang and Jiankang Zhang and Huaiqiang Li and Longfei Ren and Yinhong Li and Dongyuan Shi and Xianzhong Duan},
journal= {arXiv preprint arXiv:2501.09399},
year = {2025}
}
备注
10 pages, 9 figures