面向韧性配电网的基于图的拓扑感知强化学习
系统与控制
2026-03-10 v1 机器学习
系统与控制
摘要
极端天气事件和网络攻击可导致配电网(DN)组件故障，扰乱其运行过程，此时常采用 reconfiguring 和 load shedding 以增强韧性。本研究引入一种基于拓扑感知的图强化学习(RL)框架，用于故障停电管理，通过将 DN 的高阶拓扑特征嵌入图基 RL 模型，实现 reconfiguring 和 load shedding 以最大化能源供给的同时维持运行稳定。modified IEEE 123-bus feeder 上300种多样化故障情景下的实验结果表明，融合拓扑数据分析(TDA)工具、持久同调(PH)后，所获累计奖励提升9%-18%，电力输送增加最高可达6%，电压违规减少6%-8%。这些发现凸显了将 RL 与 TDA 集成以实现 DN 自愈潜力，促进快速、适应性和自动化恢复。
引用
@article{arxiv.2603.06964,
title = {Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks},
author = {Roshni Anna Jacob and Prithvi Poddar and Jaidev Goel and Souma Chowdhury and Yulia R. Gel and Jie Zhang},
journal= {arXiv preprint arXiv:2603.06964},
year = {2026}
}