Neues RL-Modell optimiert Stromnetz-Topologie dank physikbasierter Gibbs-Prior

Ein neues Forschungsprojekt kombiniert physikbasierte Reinforcement‑Learning‑Methoden mit einem Gibbs‑Prior, um die Topologie von Stromnetzen effizient zu steuern. Durch die Einbindung von physikalischem Wissen in die Entscheidungsfindung wird die Suche nach optimalen Schaltoptionen stark eingeschränkt, wodurch sowohl die Lernzeit als auch die Notwendigkeit umfangreicher Simulationen reduziert werden.

Das System nutzt einen semi‑Markov‑Controller, der nur dann eine Entscheidung trifft, wenn das Netz in einen gefährlichen Zustand übergeht. Ein Graph‑Neural‑Network prognostiziert die Überlastungsrisiken möglicher Topologieänderungen. Diese Vorhersagen bilden die Grundlage für den Gibbs‑Prior, der eine kleine, zustandsabhängige Kandidatenmenge auswählt und die Logits der Policy vor der endgültigen Aktion neu gewichtet.

In drei realistischen Benchmark‑Umgebungen zeigte das Verfahren eine beeindruckende Leistung: Es erreichte nahezu die optimale Kontrolle, während die Rechenzeit im Vergleich zu herkömmlichen Methoden um das Sechsfache reduziert wurde. Auf dem schwierigsten Testfall übertraf es ein PPO‑Baseline um bis zu 255 % in der Belohnung und um 284 % in der Anzahl überlebender Schritte, und war gleichzeitig rund 2,5 mal schneller als ein spezialisiertes Engineering‑Tool.

Die Ergebnisse demonstrieren, dass physikinformiertes Reinforcement Learning mit Gibbs‑Prioren eine vielversprechende Lösung für die komplexe Steuerung von Stromnetzen darstellt, die sowohl hohe Effizienz als auch robuste Leistung gewährleistet.