《Energy and AI》：SafePowerGraph: A safety-aware benchmarking framework for scalable graph neural networks in power flow and optimal power flow
编辑推荐：
电力系统运行需要在持续扰动下高效地求解电力潮流（Power Flow, PF）与最优电力潮流（Optimal Power Flow, OPF）问题。现有面向电力系统图神经网络（Graph Neural Network, GNN）的基准测试忽视了安全约束与真实故
电力系统运行需要在持续扰动下高效地求解电力潮流（Power Flow, PF）与最优电力潮流（Optimal Power Flow, OPF）问题。现有面向电力系统图神经网络（Graph Neural Network, GNN）的基准测试忽视了安全约束与真实故障场景，限制了其实际应用价值。研究人员提出了SafePowerGraph，这是首个与求解器无关的、面向图学习在电力系统运行中的安全导向框架与基准。该框架集成了四种广泛使用的仿真器：PandaPower、MATPOWER、PowerModels.jl和OpenDSS，并在三种扰动场景下评估模型性能：分布内（In-Distribution, ID）负荷变化、能源价格波动以及N-1线路故障。SafePowerGraph引入了具有物理信息损失函数的异构图表示，该损失函数强制满足交流（Alternating Current, AC）电力潮流方程与运行边界约束。在从9节点到13,659节点的五个基准网络上的实验表明，图注意力网络（Graph Attention Networks, GAT）始终实现最低的监督误差与约束违反率。物理信息学习在线路故障场景下可将电力潮流方程残差降低达一个数量级。能源价格变化构成最具挑战性的扰动类型，导致松弛节点（slack bus）无功功率误差相对于分布内设置增加高达五个数量级。开源代码、数据集和预训练模型已公开发布，以标准化电力系统中安全关键图神经网络的研究（https://github.com/LISTEnergyIntelligence/SafePowerGraph_Powergrid）。
[研究背景与问题] 电力潮流分析与最优电力潮流分析是电力系统运行规划与控制中的基础性计算任务。潮流问题求解全网电压幅值与相角，确保发电与需求平衡并遵守物理网络约束；最优潮流问题在此基础上扩展，以最小化运行成本为目标函数，确定最优电压设定值与机组调度计划，同时满足安全与物理约束。传统潮流与基于优化的最优潮流解算在大规模网络、高变动性负荷、可再生能源和能源价格场景下面临显著的可扩展性挑战。可再生能源（Renewable Energy Sources, RES）与电池储能系统（Battery Energy Storage Systems, BESS）的快速渗透从根本上改变了电力系统的运行条件与稳态平衡点，使得输电系统运营商（Transmission System Operators, TSO）与配电系统运营商（Distribution System Operators, DSO）需要在更高复杂性与不确定性下管理实时运行。实际电网面临严重的持续扰动：欧洲输电系统运营商联盟（European Network of Transmission System Operators for Electricity, ENTSO-E）记录2022年北欧电网发生1972次重大扰动，主要为线路故障；美国北美电力可靠性公司（North American Electric Reliability Corporation, NERC）2023年长期可靠性评估报告同样指出极端天气导致的输电故障增加；澳大利亚能源市场运营商（Australian Energy Market Operator, AEMO）在2024年综合系统计划中将可再生能源波动性列为首要稳定性关切。可变可再生能源在电网中的占比从2015年的7%增长至2023年的超30%（国际能源署, 2024），对电网管理提出了前所未有的计算需求，使得人工智能驱动的方法不仅是优势选择，更是运行必需。在由此产生的基于机器学习（Machine Learning, ML）的方法中，图神经网络已成为电力系统分析的主要范式——由于电网天然构成图结构，母线为节点、输电线路为边，GNN为捕捉电网拓扑与局部功率传播效应提供了强归纳偏置。然而，现有基准测试存在三个关键局限：（1）仿真器锁定：通常仅支持单一仿真工具，阻碍了跨不同求解器的验证；（2）缺乏安全关键场景：忽视N-k线路故障和实时能源价格变化等关键扰动；（3）方法学停滞：主要依赖传统监督学习（Supervised Learning, SL），忽视了物理信息机器学习（Physics-Informed Machine Learning, PIML）的发展趋势。近期PFδ基准虽强调扰动多样性，但未纳入安全约束评估、物理信息损失函数或异构GNN架构。这些综合空白 necessitate 统一的多仿真器基准，支持真实电网扰动与物理信息方法。
[研究内容] 研究人员开展了SafePowerGraph框架的构建与评估，得出以下核心结论：图注意力网络在所有扰动类型和电网规模下始终优于图卷积网络和GraphSAGE；物理信息训练可将约束违反率相对于纯监督基线降低多达80%，在能源价格波动场景下尤为显著；能源价格波动是最具安全挑战性的扰动类型，在118节点电网中诱发比分布内场景大六个数量级的电力潮流误差。该研究发表于《Energy and AI》，重要意义在于为电力系统安全关键图神经网络研究提供了首个标准化、开源的评估基础设施，推动了面向实际运行的保守而忠实的模型鲁棒性评估。
[关键技术方法] 研究人员采用的技术方法包括：基于异构图神经网络（Heterogeneous Graph Neural Network）的类型特定消息传递架构，支持对母线、发电机、负荷、变压器和松弛节点等不同组件类型进行区分建模；物理信息训练损失设计，将AC电力潮流方程（式6-7）以可微正则化项嵌入损失函数，同时纳入不等式约束满足损失与OPF成本最小化损失，构成多组件联合训练目标（式12）；三种扰动场景的构建——负荷变化乘数采样、发电机线性成本系数c1,i变动、N-1线路故障随机移除；以及统一的评估指标，涵盖监督误差（均方误差, Mean Squared Error, MSE）、物理信息误差（潮流方程残差）和边界误差（约束违反率）。实验在五个网络上进行，从9节点到13,659节点，并额外进行零样本跨拓扑迁移实验（联合训练30节点、118节点和2000节点电网）。
[研究结果]
分布内与扰动场景影响：图2展示了GAT在三种扰动场景下的归一化误差。线路故障场景（橙色）对9节点和30节点电网的潮流方程误差影响有限（9节点从6.02×10
-7至6.42×10
-7，30节点从4.05×10
-9至3.84×10
-9），但显著增加118节点电网的潮流方程误差（从2.00×10
-6至1.38×10
-2）；线路故障对各规模电网的边界违反误差影响均有限。能源价格变化场景（蓝色）在所有电网规模上均导致预测误差显著增加：松弛节点无功功率误差在9节点电网从4.67×10
-6增至1.29×10
-2，30节点从1.49×10
-7增至2.94×10
-4，118节点从1.87×10
-4增至1.19；118节点电网的潮流误差从2.00×10
-6增至2.52。
GNN架构比较：图3比较了30节点电网ID、线路故障和价格变化场景下GCN、GraphSAGE和GAT的性能。在三类电网、所有场景和指标中，GAT始终为最佳架构。30节点电网上，SAGE在18项指标中的15项上误差最高；118节点电网则GCN在16/18项上最差。
损失加权策略：表3评估了均匀权重、随机soft权重和基于基数归一化权重三种策略，确认基于基数的相对加权策略在2/3指标上最优。
物理信息学习影响：表2比较了纯监督学习（SL）与监督结合物理信息学习（PIL）的性能。SL+PIL在9节点电网的价格变化场景下改善4/6项指标鲁棒性；2000节点电网中SL与SL+PIL在互补指标子集上各占优，SL在Qg、V上更优，SL+PIL在θ和Qs上更优。表4的消融实验显示，9节点电网添加PIL和成本项联合最优；30节点电网SL+PIL已足够；2000节点电网成本项导致Pg严重退化（4.69 vs. 0.022）。
约束满足定性分析：图4显示30节点电网66个约束中，价格变化下母线21的电力流约束违反率>60%，母线28的边界约束违反率>85%；线路故障仅导致少量违反。图5的电压曲线显示，线路故障下GNN精度良好，但价格变化下母线21和28出现最大偏差。
grid 的一般化：在13,659节点电网上（图6），GAT在ID和线路故障场景下取得最低发电机误差（4.2×10
-3和4.6×10
-3），GraphSAGE的母线预测误差最高（1.0×10
-3）。价格变化场景下，GAT在SL配置下发电机误差最低（2.6×10
-2），但SL+PIL下所有架构误差显著升高（1.8–2.2×10
-1）。
电力潮流任务一般化：图7和图8表明GAT在PF任务上同样最优。表5显示PIL在9节点和30节点电网的8个场景中的6个上改善性能，2000节点电网上SL在Qg、Qs和V上优于SL+PIL。
跨拓扑零样本迁移：表6显示小电网模型测试于大电网时严重过拟合；2000节点模型向小电网有适度的向下迁移能力；混合训练可有效关闭大部分泛化差距。
[讨论与结论部分] 研究人员指出，SafePowerGraph建立了首个面向电力系统运行中安全关键图神经网络评估的开源标准化基准，统一了四种工业级潮流仿真器。能源价格波动作为最具安全挑战性的扰动类型，对实时运行和经济调度具有直接影响。未来方向包括：配电网络建模（当前聚焦输电层级平衡三相系统）、扩展扰动类别（如智能电表篡改、线路参数退化、可再生能源波动）、对抗鲁棒性评估、GNN架构扩展（有向图、时序GNN、超图表示）、数据格式扩展（如ARPA-E GO竞赛格式），以及与实际SCADA测量数据的验证对接。
[研究结论翻译] SafePowerGraph建立了首个开源、标准化的安全关键图神经网络在电力系统运行中的评估基准。该框架统一了四种工业级电力潮流仿真器，并引入了三种具有运行意义的实际扰动场景。在从9到13,659节点的五个网络上，图注意力网络在所有扰动类型和电网规模下始终优于图卷积网络和GraphSAGE。物理信息训练将约束违反率相对于纯监督基线降低多达80%，是最优电力潮流加速度中最有效的增强手段。另一方面，能源价格波动是最具安全关键性的扰动类型，在118节点电网上诱发的电力潮流误差比分布内场景大六个数量级。这两种类型的扰动对加速OPF算法有直接影响。总体而言，SafePowerGraph为GNN在电力系统中的应用建立了最可靠和最严格的评估基准，推动电力系统运行安全关键图神经网络研究的范式转变。
