评估机器学习用 AC-OPF 数据集质量的原则性框架：对标一种新颖、可扩展的生成方法
系统与控制
2025-08-27 v1 系统与控制
摘要
文献中已提出多种方法来提高机器学习（ML）模型中使用的交流最优潮流（AC-OPF）数据集的质量。然而，向大型电力系统的可扩展性仍未得到解决，并且由于缺乏广泛接受的量化 AC-OPF 数据集质量的指标，生成方法的比较仍然受到阻碍。在这项工作中，我们同时解决了这两个局限性。我们提供了一种简单的启发式方法，该方法在总负荷有功功率上均匀采样负荷设定点，而不是最大化体积覆盖，并求解一个带有负荷松弛变量的 AC-OPF 公式以提高收敛性。对于质量评估，我们制定了一个基于三个指标的多准则框架，这些指标衡量 AC-OPF 原始变量边际分布的变异性、AC-OPF 实例间约束激活模式的多样性以及变量边界的激活频率。通过基于这些指标比较四种开源方法，我们表明我们的启发式方法始终优于均匀随机采样（无论是独立采样还是约束于凸多面体），在数据集质量与可扩展性之间的平衡方面得分最高。
引用
@article{arxiv.2508.19083,
title = {A Principled Framework to Evaluate Quality of AC-OPF Datasets for Machine Learning: Benchmarking a Novel, Scalable Generation Method},
author = {Matteo Baù and Luca Perbellini and Samuele Grillo},
journal= {arXiv preprint arXiv:2508.19083},
year = {2025}
}
备注
Submitted to IEEE Transactions on Power Systems