基于分段断路器优化的传输网络重新配置流感知 GNN
机器学习
2025-08-05 v1 人工智能
摘要
本文引入OptiGridML,一个用于离散拓扑优化的机器学习框架,用于电力网。该任务涉及选择配电站断路器配置,以最大化跨区域电力输出,该问题通常表述为混合整数规划(MIP),属于NP难且对大型网络计算不可行的问题。OptiGridML用两个阶段的神经网络结构取代重复求解MIP:一个基于线图的图神经网络(LGNN)用于近似给定网络拓扑的直流功率流,另一个是预测结构和物理约束下的断路器状态的异构图神经网络(HeteroGNN)。一个物理信息一致性损失将这些组件连接起来,通过在预测功率流上强制执行基尔霍夫定律。实验表明,在最多包含1000个断路器的合成网络上,OptiGridML在基线拓扑结构上实现了最高可达18%的功率输出提升,同时将推理时间从小时级缩短到毫秒级。这些结果表明,结构化且流感知的图神经网络有望加速物理网络系统中的组合优化。
引用
@article{arxiv.2508.01951,
title = {Flow-Aware GNN for Transmission Network Reconfiguration via Substation Breaker Optimization},
author = {Dekang Meng and Rabab Haider and Pascal van Hentenryck},
journal= {arXiv preprint arXiv:2508.01951},
year = {2025}
}