一种用于快速、鲁棒且物理一致的交流潮流的混合GNN-LSE方法

传统的交流潮流求解器（如牛顿-拉夫逊法）在现代大规模电力系统中面临显著的计算和收敛挑战。本文提出了一种新颖的两阶段混合方法，该方法将物理信息图神经网络与鲁棒的迭代线性状态估计细化步骤相结合，以产生快速且物理一致的解。该GNN采用具有高效动态加权方案的物理信息损失函数进行训练，可快速预测高质量的系统初始状态。然后，使用受状态估计技术启发的迭代直接线性求解器对该预测进行细化。该LSE细化步骤通过求解一系列线性方程来强制执行物理定律，有效绕过了传统求解器的非线性和收敛问题。所提出的GNN-LSE框架在从小型径向配电网络（IEEE 33节点、69节点）到大型网状输电系统（IEEE 118节点）的系统上得到了全面验证。结果表明，我们的GNN变体比NR快高达$8.4 \times 10^3$倍。LSE细化为获得物理一致的解提供了一条快速路径，而重载应力测试（额定负载的120%-150%）和N-1预想事故证明了该方法的可靠性和泛化能力。这项工作为桥接快速数据驱动模型与电力系统物理的严格约束提供了一个强大而灵活的框架，为实时运行和分析提供了实用工具。