发表机构
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究在L2RPN环境下对比不同图表示在GNN电网控制中的效果，发现图复杂度与任务粒度匹配比最大化表示丰富度更关键，凸显大规模受控表示研究的重要性。
AI 中文摘要
图构建是深度强化学习用于电网控制中一项关键却未被充分研究的设计选择。我们在Learning to Run a Power Network（L2RPN）环境下，针对不同图表示开展受控实验对比，包括物理拓扑、电敏感性及混合变体，用于拓扑控制。研究发现，使图复杂度与任务粒度匹配比最大化表示丰富度更重要，并强调了大规模受控表示研究的重要性。
英文摘要
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.
Comments5 pages, 5 figures. Submitted to IEEE PES International Meetings 2027
