研究背景与意义
极端运行方式整定计算需考虑保护定值不变而电力系统运行方式不断变化的情况，传统方法效率低，难以适应新能源/负荷随机性带来的挑战。
国内外研究现状
现有方法仍属局部枚举法，搜索区域依赖人工经验，效率与精度难以平衡。人工智能技术在电力系统应用广泛，但深度学习需海量样本，强化学习训练效率低，迁移学习需提升泛化能力。
总体方案
探索基于人工智能技术的搜索新范式，包括深度学习、图神经网络、迁移学习和强化学习。
基于深度学习的直接映射式极端运行方式搜索方法
瞬时过流保护极端运行方式搜索问题的数学建模
目标函数：最大化短路电流；约束条件：可靠系数为1.2~1.3。
基于并行图神经网络的极端运行方式搜索框架
输入：四个特征矩阵（元件参数、拓扑结构、电气距离、图距离）；输出：极端运行方式向量；神经网络结构由电力系统配置决定。
算例分析
评价指标：运行方式准确率、短路电流准确率、容差短路电流准确率、保护选择性准确率。扩展性实验：大电网实验（2414个节点）。
基于图强化学习的序贯决策式极端运行方式搜索方法
直接映射式搜索方法的挑战
并行图神经网络训练依赖大规模枚举样本，效率低。
强化学习基本原理
D3QN算法引入Dueling和Double改进措施，通过序贯决策过程最大化累计奖励。
GraphD3QN算法框架
环境：短路电流求解器；智能体：Graph D3QN神经网络；状态：四个特征矩阵；动作：停运线路或保持运行；奖励：动作前后故障电流差值。
引导学习-自由探索的两阶段、半监督训练框架
引导网络训练：有监督训练，通过枚举法获得少量样本；目的：降低无效动作探索轮次，提升训练稳定性。
算例分析
测试场景：实际整定时求解系统在初始运行方式下所有保护的极端运行方式。结果：GraphD3QN准确率高于其他方法，所需训练样本数减少一半。
基于迁移学习的可泛化极端运行方式搜索方法
模型泛化能力存在的挑战
并行图神经网络与GraphD3QN的缺陷：神经网络结构与电力系统大小耦合，泛化能力不足。
自信息与互信息结合的特征提取器
通过自/互信息编码与特征提取方式将特征提取器结构与电力系统大小解耦。
基于图神经网络的特征聚合器
图神经网络结构与节点数量无关，与电力系统大小解耦。
基于计算域的决策网络
确定极端运行方式，停运线路对故障时线路短路电流的影响计算方法。
参数迁移学习-系统发生变化后的参数修正
继承原有神经网络参数，冻结特征提取层，训练输出层，快速适应新任务。
算例分析-参数自适应实验
训练场景：IEEE39节点系统新增3条树支；IEEE118节点系统上新增7条树支。结果：方案3训练时间最短，训练耗时缩短4个数量级，所需训练数据减少70%。
总结与展望
研究总结
- 基于深度学习的直接映射式方法实现极端运行方式快速搜索。
- 基于图强化学习的序贯决策式方法降低神经网络对训练样本的依赖。
- 基于图神经网络与迁移学习的可泛化方法增强模型泛化能力。
未来展望
扩展性研究：针对不同保护原理和整定配合量进行研究；泛化性研究：提升方法泛化能力与多个整定预备量的并行计算；可解释性研究：研究神经网络方法的可解释性。
