面向图神经网络在交流最优潮流中的泛化研究

《Energy and AI》：Towards generalization of graph neural networks for AC optimal power flow

　　

交流最优潮流（ACOPF）对于大规模电网计算密集，使用传统求解器通常需要过长的求解时间。机器学习提供了显著加速，但现有模型在可扩展性和拓扑灵活性方面存在困难。为应对这些挑战，研究人员提出了一种混合异构消息传递神经网络（HH-MPNN），该网络将异构图表征网络（GNN）与可扩展变换器（transformer）及物理信息位置编码（physics-informed positional encodings）相结合。该方法区别于以往基于GNN的ACOPF方法，后者仅依赖局部消息传递。该架构显式建模不同的电力系统组件以捕获局部特征，同时使用全局注意力机制处理长程依赖关系。在包括PGLearn和GridFM-DataKit数据集在内的多种基准上评估，HH-MPNN在14至2000节点规模电网的默认拓扑上平均达到<1%的最优性差距（optimality gap）。对于N-1偶然事件，尽管仅训练于默认拓扑，该方法在多个测试案例上实现了<3%最优性差距的零样本N-1泛化（zero-shot N-1 generalization）。研究人员进一步开发了一种方法，通过针对性的训练数据增强确保对高影响偶然事件的鲁棒N-1泛化，表明对于拓扑灵活模型，穷举模拟并非必要。最后，规模泛化（size generalization）实验表明，在小型电网上的预训练显著提升了在大规模系统上的性能。与内点求解器（interior point solvers）相比，计算加速最高达5000倍，这些结果推动了面向实时电力系统运行的实用、可泛化机器学习的发展。

**论文解读：面向AC最优流派的图神经网络泛化研究**

**研究背景与问题**

交流最优潮流（ACOPF）是电力系统运行的核心问题，旨在确定满足物理与工程约束的最优发电机调度。然而，由于问题的非凸性与非线性，传统求解器（如IPOPT）在大规模电网中计算时间过长，难以满足实时运行需求（每5-15分钟求解一次），特别是随着分布式能源（DER）引起的快速负荷波动，计算负担愈发严峻。现有机器学习方法可加速求解，但面临两大挑战：拓扑灵活性不足（难以适应由设备停运、维护等导致的拓扑变化）和可扩展性差（模型难以泛化到不同规模电网）。图神经网络（GNN）虽天然适合处理拓扑变化，但纯GNN依赖局部消息传递，存在“局部性瓶颈”（locality bottleneck），难以准确预测依赖全局信息的变量（如电压相角），且同质图（homogeneous graph）无法充分表达电力系统中不同组件（如母线、发电机、负荷、并联电抗器）的异质性。此外，现有方法通常需要对每个N-1偶然事件重新训练或生成穷举训练数据，成本高昂。同时，数据生成方式（如不相关负荷扰动）导致样本多样性不足，影响模型泛化评估。因此，需要一种能够同时处理拓扑变化、满足约束可行性并跨规模泛化的统一模型。

**研究内容与结论**

研究人员提出了一种混合异构消息传递神经网络（HH-MPNN），用于预测ACOPF变量。该模型结合了异构消息传递神经网络（heterogeneous MPNN）、可扩展变换器（transformer）和物理信息位置编码（effective resistance-based positional encoding）。通过在三个公开数据集（OPFData、PGLearn、GridFM-DataKit）上对14至2000节点电网进行测试，HH-MPNN在默认拓扑上平均最优性差距<1%，在N-1偶然事件上实现零样本泛化且最优性差距<3%，并通过针对高影响偶然事件的少量数据增强将最优性差距从6.9%降至1.4%。规模泛化实验表明，在小型电网预训练后微调可显著提升大规模系统性能（如2000节点系统最优性差距降低64%）。计算速度相比内点求解器加速最高达5000倍。该模型在保持拓扑灵活性的同时，克服了局部性瓶颈，实现了对局部和全局依赖变量的准确预测，为实时电力系统运行提供了实用的可泛化机器学习解决方案。

**主要技术方法**

1. **异构消息传递神经网络（Heterogeneous MPNN）**：遵循编码-处理-解码框架，将电网建模为包含四种节点类型（母线、发电机、负荷、并联电抗器）和三种边类型（输电线路、变压器、连接伪边）的异构图，通过节点类型特定的编码器和解码器以及消息传递层更新节点和边嵌入。
2. **可扩展变换器（Scalable Transformer）**：采用Performer注意力机制，以线性复杂度近似全自注意力，实现全局信息交换，克服局部消息传递的瓶颈。
3. **有效电阻位置编码（Effective Resistance Positional Encoding）**：基于直流近似下的有效电阻矩阵，计算每个节点到其他节点的有效电阻的五个统计矩（最小值、最大值、标准差、中位数、均值），作为固定维度（5维）的物理信息位置编码，捕捉节点在电网中的电气位置，支持跨规模泛化。

**研究结果**

**预测精度（表3）**：在三个数据集上，HH-MPNN在所有规模电网（14-2000节点）中，对于电压相角θ、电压幅值V、有功发电机功率P_G和无功发电机功率Q_G的均方误差（MSE）通常低于或等于全连接神经网络（FNN）、卷积神经网络（CNN）和图卷积神经网络（GCN）基线。GCN在118节点系统上误差高出数个数量级，而HH-MPNN在最具挑战性的GridFM-DataKit数据集上取得最低误差，验证了混合架构对复杂模式的学习能力。

**约束违反与最优性差距（表4-6）**：所有模型预测的ACOPF解可能不可行，主要违反支路潮流极限和功率平衡约束。HH-MPNN在三个数据集上，平均最优性差距均<1%（如PGLearn 118节点为0.32%），且平均约束违反通常低于或与FNN/CNN相当。在GridFM-DataKit数据集上，HH-MPNN在118节点系统的平均支路潮流违反约为38×10^-4 p.u.，远低于FNN的208×10^-4 p.u.，表明模型在复杂数据下具有更优的约束满足能力。

**零样本N-1泛化（图3）**：仅在默认拓扑上训练的HH-MPNN，在N-1拓扑测试集上实现零样本预测。在OPFData和PGLearn数据集上，最优性差距<3%；在GridFM-DataKit 118节点系统上，零样本最优性差距升至6.9%，但优于DCOPF近似（3-4%）。该结果揭示了分布偏移的影响，但模型仍保持实用价值。

**N-1泛化理论极限（第3.7节）**：研究人员将N-1泛化误差分解为结构偏移（取决于网络架构）和分布偏移（取决于主动约束集A的变化）。当高影响偶然事件导致A(G′)≠A(G)时，预测误差增大，表明零样本泛化存在分布鲁棒性极限。

**高影响偶然事件训练（第3.8节）**：通过从N-1训练集中选取前100个最昂贵的样本（按目标成本，占<0.1%）增强默认拓扑训练集，HH-MPNN在118节点GridFM-DataKit上的零样本最优性差距从6.9%降至1.4%。这表明穷举N-1数据生成对于拓扑灵活模型并非必要，只需少量高影响偶然事件即可弥合结构灵活性与分布偏移之间的差距。

**规模泛化（表8）**：在14-500节点电网预训练后，仅用5%的2000节点训练样本微调（HH-MPNN-WF），与从零训练（HH-MPNN-S）相比，最优性差距降低64%（从1.4%降至0.5%），且平均约束违反大幅降低。不微调（HH-MPNN-NF）则性能极差，表明微调对学习规模相关特征至关重要。

**消融实验（表9）**：在118节点GridFM-DataKit上，去除变换器和位置编码的H-MPNN最优性差距为1.24%，而HH-MPNN为0.10%且约束违反更低。将位置编码替换为节点度（HH-MPNN*）导致最优性差距升至0.34%。仅使用变换器（Xformer）可达到0.05%最优性差距但约束违反更高。增加同质GCN层数至14层（TAGConv-14）仍表现最差（最优性差距5.15%），证明异构表示与全局注意力机制结合的必要性。

**训练数据规模影响（第3.10.2节，图5）**：在PGLearn 118节点上，使用25%训练数据（约200,000样本）即可达到接近最优的约束违反水平，进一步增加样本量收益递减，表明HH-MPNN对数据规模具有鲁棒性。

**计算时间分析（表10）**：HH-MPNN在所有规模电网上的推理时间保持约13毫秒，而IPOPT求解时间随规模增长（14节点0.033秒至2000节点83.8秒），实现加速倍数从330（14节点）到5700（2000节点）不等。此外，零样本N-1泛化避免了穷举N-1数据生成，规模泛化预训练策略减少了大型电网的数据生成成本。

**讨论部分**：HH-MPNN提供了精确但近似的ACOPF解，其性能与FNN/CNN相当，同时具备处理N-1拓扑变化的灵活性，挑战了GNN在预测发电机设定点和电压相角方面表现不佳的假设。模型通过异构图和变换器组合，准确近似了局部和全局依赖变量。零样本N-1泛化与少量高影响偶然事件训练相结合，实现了高效鲁棒的泛化。然而，模型不能保证所有约束满足，但可结合可行性恢复框架（如物理信息损失或可微约束优化）或作为热启动用于优化求解器。未来工作需考虑N-2至N-k偶然事件、更大规模电网、有效电阻矩阵预计算效率（对于稀疏图复杂度O(N²)，可通过Sherman–Morrison公式快速更新）、模型可解释性（如可解释AI框架或KAN层）以及混合ML-优化方法以提供可行性保证。

**研究结论翻译**：研究人员提出了一种用于交流最优潮流（ACOPF）的混合异构消息传递神经网络（HH-MPNN），解决了现有机器学习方法中的拓扑适应性和可扩展性挑战。该架构在具有可变负荷、发电机成本、线路参数和系统拓扑的挑战性测试案例上实现了<1%的最优性差距，同时保持与最先进模型相当的约束违反水平。通过零样本迁移到N-1偶然事件，证明了模型的强泛化能力。在小型电网上的预训练也提升了大系统性能。与内点求解器相比，计算加速达10²至10³倍，使该方法适用于实时运行。所提出的方法可作为运行人员的决策支持工具，且有利的推理时间使得与现有能量管理系统的实际集成成为可能，即使在模型预测后进行可行性恢复步骤。这些结果展示了统一、可泛化的图模型在多样化电力系统应用中的潜力。