基于时空图神经网络与物理先验多智能体深度强化学习的变电站母线负荷预测及实时调控

《Scientific Reports》：Substation bus load forecasting and real-time regulation based on spatiotemporal graph neural networks and physics-prior multi-agent deep reinforcement learning

　　

摘要

针对分布式可再生能源整合和用户侧可调资源参与下变电站母线负荷波动性强、耦合性强、实时调节困难的问题，提出了一种基于时空图神经网络（STGNN）和物理先验多智能体孪生延迟深度确定性策略梯度（PI-MATD3）的母线负荷预测-实时调节闭环方法。首先，构建了融合电气拓扑、负荷相关性和电压灵敏度的母线图结构，通过图卷积、门控循环和尺度注意力机制实现多时空尺度的负荷预测和过载风险评估。其次，将预测结果嵌入到PI-MATD3框架中，通过拓扑感知观测、动作可行域投影和多尺度控制分解实现源-荷-储协同调节。仿真结果表明，在四种场景下，STGNN的平均MAE、RMSE和MAPE分别为0.035 MW、0.0528 MW和1.49%，平均R²为0.9925。在高危场景下，STGNN + PI-MATD3将电压越限率降低至2.41%，将可再生能源利用率提高至97.86%，并在延迟和噪声扰动下保持良好的鲁棒性。研究表明，所提方法可提高母线级短期负荷预测精度，增强源-荷-储协同调节能力，并兼顾电压安全、资源调度成本和在线执行效率。