不确定性感知暂态稳定约束预防性重调度：一种分布强化学习方法

暂态稳定约束预防性重调度在确保电力系统安全与稳定方面发挥着关键作用。由于重调度策略需同时满足复杂的暂态约束与经济需求，基于模型的公式化与优化变得极具挑战性。此外，可再生能源引入的日益增加的不确定性和变异性开始推动系统稳定性考量从确定性转向概率性，这进一步加剧了复杂性。本文首次提出了一种图神经网络引导的分布深度强化学习（GD2RL）方法，以解决不确定性感知的暂态稳定约束预防性重调度问题。首先，通过监督学习训练基于图神经网络的暂态仿真器，以稳态和故障为输入高效生成故障后转子角曲线，该仿真器在强化学习的环境交互中充当运行状态的特征提取器和代理时域仿真器。随后应用具有系统运行条件显式不确定性分布的分布深度强化学习，生成重调度策略以平衡用户指定的概率稳定性性能与经济偏好。故障后暂态稳定指数的完整分布直接作为输出提供。在改进的新英格兰 39 节点系统上的案例研究验证了所提方法的有效性。