Спектральные графовые нейросети ускоряют восстановление умных сетей после аварий

Исследователи разработали новый подход к управлению самовосстанавливающимися умными сетями, позволяющий минимизировать перебои в подаче электроэнергии. Метод основан на комбинации спектральных графовых нейронных сетей и обучения с подкреплением.

Традиционные методы машинного обучения часто медленно реагируют и требуют высоких вычислительных затрат, что делает их непригодными для умных сетей. Альтернативой стало обучение с подкреплением для автоматической реконфигурации сети, однако обычные графовые нейросети работают в пространственной области и могут упускать важные частотные зависимости.

Предложенная спектральная графовая модель учитывает информацию в частотной области, что особенно полезно для анализа глобальных структурных паттернов и системных взаимодействий в энергосетях. Алгоритм обучается оптимальной политике восстановления электропитания.

Эффективность метода проверили на трех модифицированных тестовых системах IEEE: с 13, 34 и 123 шинами. Результаты показали, что подход достигает почти оптимальной производительности в реальном времени и хорошо обобщается на широкий спектр сценариев отключений.

Самовосстанавливающиеся сети способны быстро изменять конфигурацию при авариях, используя переключения и аварийное отключение нагрузки. Новый метод позволяет значительно ускорить эти процессы, повышая устойчивость энергосистем.

Разработка открывает перспективы для внедрения интеллектуальных алгоритмов в распределительные сети, снижая время простоя и экономические потери от аварий.