Graph Reinforcement Learning in Power Grids: A Survey

可再生能源和分布式电力发电所带来的挑战促进了深度学习方法在电力网应用中克服传统方法缺乏灵活性的发展。应用图神经网络特别有前途，因为它们能够学习电力网中的图结构数据。结合强化学习，它们可以作为控制方法确定补救电网行动。本综述分析了GRL捕捉电力网固有图结构以改进不同电力网应用中的表示学习和决策制定的能力。它区分了传输和配电网中的常见问题，并探讨了强化学习和图神经网络之间的协同作用。在传输网中，GRL通常解决自动化电网管理和拓扑控制问题，而在配电方面，GRL更集中于电压调节。我们根据选定论文的图结构和GNN模型、应用的强化学习算法以及它们的总体贡献进行了分析。虽然GRL在面对不可预测的事件和嘈杂或不完整的数据时表现出适应性，但它目前主要作为概念验证。在考虑将强化学习应用于实际电力网运营时，存在多个开放性挑战和限制需要解决。

本论文旨在通过应用深度学习中的图神经网络和强化学习来解决可再生能源和分布式电力生成对传统电力网格的挑战，并提高电力网格的表示学习和决策制定能力。具体来说，它探讨了在传输和分配网格中应用图神经网络和强化学习的潜力，以及如何解决实际应用中的挑战和限制。

本论文的关键思路是将图神经网络和强化学习相结合，以捕捉电力网格的图结构，并提高电力网格的表示学习和决策制定能力。在传输网格中，主要解决自动化网格管理和拓扑控制问题，而在分配网格中，则主要解决电压调节问题。

本论文分析了选定论文的图结构和图神经网络模型、应用的强化学习算法以及它们的总体贡献。虽然图神经强化学习展示了适应不可预测事件和嘈杂或不完整数据的能力，但它目前主要作为概念验证。在考虑将强化学习应用于实际电力网格运营时，仍存在多个挑战和限制。

最近在这个领域中，还有一些相关的研究，如《Deep Reinforcement Learning for Dynamic Multichannel Access in Wireless Networks》、《Reinforcement Learning for Autonomous Data Center Cooling》、《A Survey on Deep Reinforcement Learning for Intelligent Transportation System》等。