Consequence-Aware Prescriptive Maintenance Framework With Transformer-KAN Forecasting and PPO-Controlled Grid Reconfiguration

Hamid Mirshekali

doi:10.1109/TSG.2025.3579890

PRE

Hamid Mirshekali

Fatemehsadat Ghanadi Ladani

Hamid Reza Shaker

DOI：10.1109/TSG.2025.3579890

原文链接

原文求助

摘要

En 中文

电气化水平的快速增长已推动电网接近其运行极限，引发了对告警事件的出现及其导致的可靠性下降的担忧。预测这些告警事件能够实现主动纠正措施，从而提升电网稳定性。然而，资源有限性要求对每个告警进行有效的优先级排序。处方性维护不仅能预测即将发生的告警，还能在告警发生前制定自动纠正措施以减轻其影响。本文提出了一种面向配电电网的新型处方性维护框架，采用混合Transformer Kolmogorov-Arnold Network（Transformer-KAN）与Proximal Policy Optimization（PPO）方法。首先，利用两个Transformer-KAN模型预测各节点的负荷和生产值。为确保证可扩展性和提高精度，预测算法整合了基于小波变换、Tangent Pearson Embedding（TPE）和统计分析提取的特征。随后，执行负荷潮流分析以确定节点电压、线路电流及相应的告警事件。Chernoff-Bound算法随后被用于评估每个告警的重要性，同时考虑故障的潜在后果。纠正方案涉及调整电网内断路器的状态。为支持快速自动的处方过程，采用强化学习领域的PPO算法训练一个神经网络，该网络以告警重要性为输入，输出最优的开关组合。通过针对实际丹麦配电电网的案例研究验证了所提方法的有效性。为进行基准测试，在修改后的IEEE 13-Node测试馈线上进行了仿真。此外，还加入了Long Short-Term Memory（LSTM）模型、Double Deep Q-Network（DDQN）、Soft Actor Critic（SAC）和Asynchronous Advantage Actor Critic（A3C）。对比结果表明，所提方法在预测和处方方面均表现更优。

Keyword:

Transformer Kolmogorov-Arnold network

proximal policy optimization

prescriptive maintenance

Tangent Pearson embedding

Chernoff-Bound