机器学习引导的最优断电切换以缓解野火点火风险
机器学习
2026-04-03 v2 最优化与控制
摘要
为缓解急性野火点火风险，电力公司会在高风险区域脱电供电。最优断电（Optimal Power Shutoff, OPS）问题通过脱电管理野火点火风险的同时减少负荷损失。OPS问题是计算难以处理的混合整数线性规划（MILP），必须在运营环境中快速且频繁地求解。对于特定电力系统，OPS实例共享常见结构，参数随野火风险、负荷和可再生能源的变化而变化。这激励使用机器学习（ML）通过跨实例共享模式来求解OPS问题。本文开发了ML引导的框架，通过扩展现有ML引导的MILP求解方法，同时整合关于 energized 与 de-energized 线路数量的领域知识，快速生成高质量的脱电决策。在基于加州的大规模现实合成测试系统上结果表明，所提出的ML引导方法比传统优化方法更快地产生高质量解。
引用
@article{arxiv.2510.25147,
title = {Machine Learning Guided Optimal Transmission Switching to Mitigate Wildfire Ignition Risk},
author = {Weimin Huang and Ryan Piansky and Bistra Dilkina and Daniel K. Molzahn},
journal= {arXiv preprint arXiv:2510.25147},
year = {2026}
}