对比多种图结构在电网控制中的表现，发现匹配任务粒度比复杂表示更重要。
A Comparative Study of Graph Representations for GNN-Based Power Grid Control in L2RPN
- 比较物理拓扑、电敏性及混合图结构在电网控制中的效果
- 低复杂度图在细粒度任务中表现更优，证明任务匹配关键
- 强调大规模可控实验对图表示研究的重要性
深度强化学习在电网控制中的图构建是一个关键但研究不足的设计选择。本文在学习运行电力网络（L2RPN）环境中，系统比较了物理拓扑、电敏性以及混合变体等不同图表示方法在拓扑控制中的表现。结果表明，将图结构复杂度与任务粒度相匹配，比追求更高维的表征能力更为重要；同时强调了在大规模条件下进行受控表示研究的价值。
原文摘要 · Abstract (English)
Graph construction is a critical but underexamined design choice in deep reinforcement learning for power grid control. We present a controlled experimental comparison of different graph representations, including physical topology, electrical-sensitivity, and hybrid variants for topology control in the Learning to Run a Power Network (L2RPN) environment. Our findings indicate that matching graph complexity to task granularity is more important than maximizing representational richness, and highlight the importance of controlled representation studies at scale.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。