学习地震后电网恢复的最优抢修人员调度策略
系统与控制
2025-09-05 v1 系统与控制
摘要
灾后抢修人员调度是一项关键但计算量极大的任务。传统的混合整数线性规划方法通常需要数分钟到数小时才能计算出解决方案，导致决策延迟，阻碍了在高度动态的恢复环境中进行及时决策。为应对这一挑战，我们提出了一种新颖的基于学习的框架，该框架将 Transformer 架构与深度强化学习 (DRL) 相结合，以在不牺牲解决方案质量的前提下提供近乎实时的决策支持。抢修人员调度被构建为一个不确定性下的序贯决策问题，其中 Transformer 捕获高维系统状态和时间依赖性，而 DRL 则实现自适应和可扩展的决策。首先使用既定的地震标准表征地震引起的配电网损坏，然后通过场景生成与削减流程将可能的结果聚合为单一的地理空间影响图。基于此影响图，所提出的框架生成秒级的调度策略，该策略基于模拟和历史事件进行离线训练，并在线部署以实现快速响应。除了大幅缩短运行时间外，所提出的方法还通过实现更快、更有效的恢复和复原来增强系统韧性。案例研究，特别是在 2869 节点欧洲气电网络上进行的研究表明，该方法在保持高质量解决方案的同时，显著加速了恢复过程，突显了其在大规模灾害响应中实际部署的潜力。
引用
@article{arxiv.2509.04308,
title = {Learning Optimal Crew Dispatch for Grid Restoration Following an Earthquake},
author = {Farshad Amani and Faezeh Ardali and Amin Kargarian},
journal= {arXiv preprint arXiv:2509.04308},
year = {2025}
}