面向不平衡配电系统的基于物理感知的异构图神经网络架构用于 BESS 实时优化
机器学习
2026-01-30 v2
摘要
电池储能系统 (BESS) 在三相不平衡配电网中日益重要，用于维持电压稳定并实现最优调度。然而，现有深度学习方法往往缺乏对三相表示的显式建模，难以准确刻画相位特性动力学并强制执行运行约束——导致调度方案不可行。本文证明，通过将详细的三相电网信息（包括相位电压、不平衡负荷和 BESS 状态）嵌入异构图节点， diverse GNN 架构 (GCN、GAT、GraphSAGE、GPS) 可以联合高精度预测网络状态变量。此外，一个物理信息损失函数通过软惩罚纳入关键电池约束（SoC 和 C-rate 限制）进行训练。CIGRE 18 节点配电系统上的实验验证表明，该嵌入-损失方法实现了低预测误差，节点电压 MSE 分别为 6.92e-07 (GCN)、1.21e-06 (GAT)、3.29e-05 (GPS) 和 9.04e-07 (SAGE)。重要的是，物理信息方法确保几乎零的 SoC 和 C-rate 约束违规，确认其可靠、符合约束的调度效果。
引用
@article{arxiv.2512.09780,
title = {Physics-Aware Heterogeneous GNN Architecture for Real-Time BESS Optimization in Unbalanced Distribution Systems},
author = {Aoxiang Ma and Salah Ghamizi and Jun Cao and Pedro Rodriguez},
journal= {arXiv preprint arXiv:2512.09780},
year = {2026}
}
备注
5 pages, 2 figures, 3 tables