基于母线分裂的输电拥塞管理可迁移图学习
人工智能
2026-03-16 v2
摘要
通过母线分裂进行网络拓扑优化(NTO)可以缓解输电网拥塞并降低再调度成本。然而，对于大规模系统，在近实时条件下使用现有求解器求解这个混合整数非线性问题目前是难以处理的。机器学习(ML)方法已成为一种有前景的替代方案，但它们对未见过的拓扑、变化的运行条件和不同系统的泛化能力有限，这限制了其实际应用性。本文针对考虑线性化交流潮流的拥塞管理，形式化了NTO问题，并提出了一种图神经网络(GNN)加速方法。我们开发了一种异构的、边感知的消息传递GNN，用于预测母线分裂动作的有效节点，作为候选的NTO解决方案。所提出的GNN能够捕获局部潮流模式，提高对未见过的拓扑变化的泛化能力，并增强跨系统的可迁移性。案例研究表明，该方法可实现高达四个数量级的加速，在一分钟内提供交流可行的解，并在GOC 2000节点系统上实现了2.3%的最优性差距。这些结果表明，在实现大规模系统近实时NTO以及拓扑和跨系统泛化方面迈出了重要一步。
引用
@article{arxiv.2510.20591,
title = {Transferable Graph Learning for Transmission Congestion Management via Busbar Splitting},
author = {Ali Rajaei and Peter Palensky and Jochen L. Cremer},
journal= {arXiv preprint arXiv:2510.20591},
year = {2026}
}