Reinforcement Learning: Mehr Lösungen für Stromnetz‑Flow‑Gleichungen

Ein neues arXiv‑Veröffentlichungsprojekt zeigt, wie Reinforcement Learning (RL) die Analyse von Stromnetz‑Flow‑Gleichungen revolutionieren kann. Die Gleichungen, die die Beziehung zwischen Leistungsinjektionen und Bus‑Spannungen beschreiben, sind hochgradig nichtlinear und besitzen oft zahlreiche Gleichgewichtspunkte. Traditionelle Algorithmen der symbolischen Algebra stoßen bei Netzwerken mit mehr als wenigen Variablen an ihre Grenzen.

Um dieses Problem zu lösen, entwickelt das Team eine probabilistische Belohnungsfunktion, die die Anzahl der Nullstellen der Gleichungen approximiert. Gleichzeitig wird ein Zustandsraum konzipiert, der die Vielfalt der möglichen Gleichungssysteme abbildet. Auf Basis eines Gauß‑Modells wird die durchschnittliche Wurzelanzahl berechnet und als Referenz für die RL‑Agenten verwendet.

Die Agenten entdecken anschließend Instanzen der Stromnetz‑Flow‑Gleichungen, die deutlich mehr reale Lösungen aufweisen als der durchschnittliche Baseline. Diese Ergebnisse demonstrieren das enorme Potenzial von RL für das Design und die Analyse von Stromnetzen und zeigen zugleich, dass Reinforcement Learning auch komplexe, nichtlineare algebraische und geometrische Probleme adressieren kann.