GridSFM：用于求解交流最优潮流的基础模型

arXiv:2609.30173v2 公告类型：replace-cross 摘要：我们提出了 GridSFM，这是一种将跨电网拓扑的预训练基础模型与物理信息驱动的微调相结合的框架，用于大规模求解交流最优潮流（AC-OPF）。这是一个包含 1500 万参数、受物理启发的图神经网络，在涵盖 500 至 4,000 个母线的 54 种拓扑上进行预训练。对于一个包含 10,000 个母线、且运行条件未出现在训练集中的算例，我们的模型以零样本方式生成的发电成本误差达到 2.45%，并且随着系统规模增大没有性能下降。在此基础上，我们将预训练骨干网络与一种基于潮流牛顿法的物理信息驱动微调设计相结合。仅使用 100 个已求解实例，GridSFM 就能适应规模达 10,000 个母线的未见过电网。我们表明，与使用更多数据训练的单拓扑专用神经网络模型相比，GridSFM 在作为热启动点部署时，无论成本还是求解器迭代次数都表现更优。在设计这一基础模型时，我们克服了 AC-OPF 可行集可能不连通这一事实。这一问题阻碍了任何连续神经网络对解映射进行逼近。为此，我们将问题提升到更高维空间，并通过带对数惩罚的松弛变量放宽其约束。我们证明了所得弹性可行集是可缩的；当惩罚系数高于一个明确的阈值时，AC-OPF 的极小解仍然是弹性问题的极小解；此外，将近似解投影回 AC-OPF 可行集的过程也是适定的。我们发布了全部模型、数据和代码，使社区能够基于一个共享的 AC-OPF 起点开展后续研究。