基于决策相关不确定性和非线性野火点火模型的公共安全停电强化学习
最优化与控制
2026-04-30 v1
摘要
电网基础设施日益成为野火点火的重要来源，在火灾风险地区对社区构成严重威胁。公共安全停电（PSPS）已成为电力企业在高风险条件下主动断电部分电网以缓解风险的关键运营工具。然而，这些停电会对受影响社区造成成本，因此PSPS决策必须基于真实的野火点火风险模型。当前基于混合整数规划的方法对由电力线点火引起的线路故障概率模型要求严格的结构假设。虽然这些简化虽然可实现可计算求解，但可能与真实底层动态存在显著差异。本文提出了一种基于拟凸策略优化（PPO）的强化学习框架，直接与能够容纳任何线路故障概率模型的模拟器交互，以学习分布系统拓扑调整，无需施加此类限制。我们在54节点和138节点配电系统上测试了该方法，证明其在降低运营成本方面优于现有方法，同时随网络规模增长，计算时间仅略增。
引用
@article{arxiv.2604.26150,
title = {Reinforcement Learning for Public Safety Power Shutoffs Under Decision-Dependent Uncertainty and Nonlinear Wildfire Ignition Models},
author = {Prasanna Raut and Chaoyue Zhao and Alexandre Moreira},
journal= {arXiv preprint arXiv:2604.26150},
year = {2026}
}