Grid section overload control method based on reinforcement learning

doi:10.1177/18724981251372270

Grid section overload control method based on reinforcement learning

2025-09-01

0

PRE

AI

DOI：10.1177/18724981251372270

原文链接

原文求助

摘要

En 中文

随着电网规模的扩大和可再生能源不确定性的增加，电网线路过载问题日益突出。现有的电网线路过载控制方法忽视了各线路控制之间的耦合关系，导致对一条线路的流量调整引发其他线路过载。此外，传统的强化学习控制方法存在估计偏差和计算成本高的问题。本文以电网发电机控制为研究对象，利用GAT模型动态提取节点拓扑特征，并利用KAN模型轻量级非线性处理的优势，结合D3QN控制电网线路中的越限发电机，从而提高控制精度。研究首先使用GAT计算电网节点的嵌入矩阵，并使用KAN计算线路任务的嵌入表示。然后，基于节点嵌入和任务嵌入生成多线路任务归属图，并采用加权池化策略基于嵌入矩阵和多线路任务归属图提取最终的电网图特征表示。最后，将电网图特征表示作为D3QN模型的输入，实现电网线路发电机越限的精确动态控制。实验基于IEEE 39节点系统进行，结果从鉴别精度、动态响应和计算效率三个维度进行细化评估。结果表明，GAT-KAN-D3QN模型的相对误差仅为4.3%，比DQN-DDPG方法低1.4%，调度效率达到92.7%。研究结果证明，本文的强化学习（RL）方法能有效提高控制精度，更好地应对电网的动态变化和不确定性，解决了精度-效率权衡的关键矛盾。

Keyword:

Power grid section

over-Limit regulation

reinforcement learning

relative error

GAT-KAN-D3QN model

regulation efficiency

network loss rate

Grid section overload control method based on reinforcement learning

摘要

期刊

机构

引用论文