Optimal Power Flow
PulseAugur coverage of Optimal Power Flow — every cluster mentioning Optimal Power Flow across labs, papers, and developer communities, ranked by signal.
-
统一的GNN模型解决多个电力系统分析任务
研究人员开发了一种新颖的异构残差门控图卷积网络，能够用单个模型解决多个电力系统分析问题。这种统一的方法解决了潮流（PF）、最优潮流（OPF）和状态估计（SE）等任务，这些任务通常需要单独的、专门的模型。通过学习电力网络行为的可重用表示，该模型在各种系统配置和负载条件下都显示出与特定任务求解器相当的准确性，标志着向电力系统的基础模型迈出了重要一步。
-
物理感知的AI模型在电力流优化方面显示出改进的标度
研究人员研究了规模对交流最优潮流（ACOPF）的物理感知代理模型的影响。通过对各种模型和数据集大小进行扫描，他们发现均方误差（MSE）和增广拉格朗日（AL）目标都随着标度的增加而遵循幂律，但速率不同。与MSE相比，AL目标在约束违反方面有了显著的降低，在可比的训练时间增加和可忽略的内存开销下，实现了近30倍的改进。这表明训练目标的选择对代理模型的质量如何随着规模的增加而演变起着关键作用。
-
新的扩散模型 CGD 解决了混合整数优化问题
研究人员开发了一种名为约束图扩散 (CGD) 的新方法来解决复杂的混合整数优化问题。该方法利用基于图的生成扩散模型来学习这些问题的离散决策制定方面。通过将可行性投影算子直接集成到扩散过程中，CGD 将中间样本引导至有效解决方案。一旦生成了离散决策，就可以有效地解决剩余的连续优化问题。该框架在可行性和解决方案质量方面取得了显著改进，在最优输电切换和离散投资组合优化等任务上比传统数值求解器快了 425 倍。
-
图基础模型助力智能电网潮流分析
研究人员开发了一种名为HydraGNN的可扩展异构图神经网络工作流程，用于智能电网中的最优潮流（OPF）近似。该方法保留了包括各种节点和边类型在内的电力网络的复杂结构，并专为在超级计算机上进行训练而设计。在ORNL Frontier超级计算机上使用数百万个图实例和分布式超参数优化进行的实验，识别出了参数量约为160万至170万的高效模型。对这些预训练的图基础模型进行微调，证明了其在可行性分类和故障回归等下游任务中具有更高的准确性和稳定…
-
AI框架统一电网优化任务
研究人员开发了一个新框架，用于联合建模两个关键的电网优化问题：交流最优潮流（ACOPF）和安全约束机组承诺（SCUC）。通过使用捕获电网拓扑和物理相互作用的共享图基线，该系统可以处理静态和时间决策。该方法旨在提高跨不同电网规模和问题类型的泛化能力和可迁移性，其性能优于现有的孤立学习方法。