Reza Bayani · Saeed Manshadi · IEEE Transactions on Power Systems · 2024年9月

本文提出了一种新颖的图卷积神经网络（GCN）架构，用于求解配电网络中的最优切换问题，并在学习过程中融合了底层的潮流方程。该切换问题被建模为混合整数二阶锥规划（MISOCP），因其计算复杂性而在实际应用中难以求解。与现有研究不同，所提出的算法在训练及推理阶段均引入描述物理系统约束的数学模型信息，确保决策结果的可行性。研究结果表明，利用线性化模型的预测结果指导MISOCP求解具有显著潜力。

解读: 该基于物理信息的图学习配电优化技术对阳光电源PowerTitan储能系统及iSolarCloud智能运维平台具有重要应用价值。在配电网侧储能场景中，该方法可实时求解含储能系统的最优网络拓扑切换策略，通过GCN快速预测可行开关动作方案，指导MISOCP精确求解，显著提升ST系列储能变流器参与配电网优化...