[论文解读] AI-Driven Stabilization in Power Grids through Controlling Line Admittances

S. H. Park, Hoyun Choi+4 more|arXiv (Cornell University)|Jan 5, 2026

Power System Optimization and Stability被引用 0

一句话总结

自适应导纳控制器（AAC）利用强化学习通过自适应调节线路导纳、识别关键调控位置来实现对电网的自主稳定，在英国电网的少量调控器组下就能显著提高频率稳定性。

ABSTRACT

The global transition from traditional power plants to renewable energy sources introduces new challenges in grid stability, primarily because inverter-based technologies provide insufficient inertia. To address this, we introduce an artificial intelligence algorithm that autonomously stabilizes power grids by adaptively tuning admittance regulators in response to disturbances. This Adaptive Admittance Controller (AAC) algorithm not only stabilizes the system in real time but also identifies the best regulator locations, thereby unifying grid planning and real time control within a single framework. When tested on a real UK power grid, the AAC markedly reduces frequency deviations and rapidly restores nominal operation. In addition, the algorithm isolates a small number of key regulators and intervenes only on these, lowering both system complexity and cost. The AAC algorithm further reduces the nonlinearity effect, quickly stabilizing the frequency and power flow. This intelligent control scheme enables power grids to reliably return to stable operating conditions under a broad spectrum of fault scenarios. The proposed framework can also be used to mitigate cascading failures by adaptively controlling critical links in a variety of networked infrastructures, such as cascades of traffic congestion on road networks or fuse failures in energy-saving systems.

研究动机与目标

• 解决由以可再生能源为主的低惯性带来的电网稳定性挑战。
• 开发一个基于强化学习的整合框架，联合选择调控器位置并调整导纳。
• 展示选择性干预以降低频率波动，同时最小化部署成本。
• 证明通过控制少量线路即可在故障场景中实现近优的稳定化。

提出的方法

• 将稳定化问题表述为单步强化学习任务，由智能体执行。
• 使用图神经网络（Chebyshev卷积）基于电网状态和故障输出所有线路的导纳调整。
• 用每条线路的控制决策 c_ij 和导纳调整幅度 q_ij 表示线路，并由存在性调控器 χ_ij 指引。
• 将导纳更新为 Ŷ_ij = 2^{δy_ij}Y_ij，其中 δy_ij = c_ij q_ij χ_ij。
• 使用 PPO（不包含价值网络）在故障场景中最大化即时奖励。
• 引入三种线路排序指标 S^(1–3) 以识别超越基于 PTDF 的方法的关键调控位置。

实验结果

研究问题

• RQ1 AAC 是否能在广泛的单线路故障场景中降低频率波动？
• RQ2 哪些输电线路最有效进行调控以实现近优的稳定性以及成本是多少？
• RQ3 需要多少个调控器才能实现显著稳定，少量子集是否足够？
• RQ4 AAC 是否同时改善瞬态频率动力学与稳态功率流，并且这些改进是否相关？

主要发现

• AAC 在测试的故障场景中将平均频率波动降低约 53%。
• 使用 S^(2) 排名的少量子集（前5条线路）即可实现最优调控器布置，显著提高稳定性且成本大幅降低（约下降 95%）。
• 由 S^(2) 选出的前五条线路在调控器布置方面优于基于 PTDF 的排序。
• 在训练中使用前五个调控器甚至可以超越全调控器模型的性能。
• AAC 同时稳定瞬态动力学与稳态条件，频率波动的下降与恢复的功率流之间存在相关性（ρ 约为 0.83）。
• 在英国电网（总线路数 L=114）上实现近似最优稳定化所需的调控器数量很少（全局最小约 N_regulator ≈ 35–45，成本有效部署仅需五个）。