一种混合 GNN-IZR 框架用于径向配电网的快速且经验上稳健的交流潮流分析
系统与控制
2025-10-28 v2 系统与控制
摘要
交流潮流（ACPF）问题导致数据驱动模型速度与解析求解器可靠性之间存在权衡。本文引入一种混合框架，将图神经网络（GNN）与隐式 Z 总递归（IZR）方法相结合，后者是径向配电网络的稳健、非迭代求解器。该框架采用基于物理信息的 GNN 进行快速初始预测，并在由两阶段触发器识别的受压情形下调用 IZR 求解器作为后备。将最大功率不匹配超过 0.1 p.u. 的解定义为故障，这构成显著的运行偏差。在针对 IEEE 33 节点系统进行的 7500 个受压情景的严峻测试集上，仅使用 GNN 的模型在 13.11% 的案例中失败。相比之下，混合框架识别了所有潜在故障，将其委托给 IZR 求解器实现 0.00% 的故障率，经验上匹配了该特定测试集中解析求解器的 100% 成功率。广泛的消融研究确认，基于物理信息的训练和 Z 总灵敏度特征至关重要，二者共同将 GNN 的故障率从 98.72%（仅数据）降至 13.11%。该混合方法展示了一种务实的路径，旨在实现解析求解器的经验可靠性，同时利用 GNN 的速度，使可近实时分析的场景数量大幅增加。
引用
@article{arxiv.2510.04264,
title = {A Hybrid GNN-IZR Framework for Fast and Empirically Robust AC Power Flow Analysis in Radial Distribution Systems},
author = {Mohamed Shamseldein},
journal= {arXiv preprint arXiv:2510.04264},
year = {2025}
}