面向 AC-OPF 的动态域自适应驱动的物理信息图表示学习
机器学习
2025-06-03 v1 计算机视觉与模式识别
摘要
交流最优潮流（AC-OPF）旨在利用电力系统中电压幅值与相角之间的非线性关系来优化发电机功率输出。然而，当前的 AC-OPF 求解器难以有效表示约束空间中变量分布与其对应最优解之间的复杂关系。这种约束建模的局限性限制了系统开发多样化知识表示的能力。此外，仅基于空间拓扑对电网进行建模进一步限制了额外先验知识（如时间信息）的整合。为克服这些挑战，我们提出了 DDA-PIGCN（动态域自适应驱动的物理信息图卷积网络），这是一种旨在解决约束相关问题并构建结合时空特征的基于图的学习框架的新方法。DDA-PIGCN 通过应用多层硬物理信息约束，改进了具有不同长程依赖特征的一致性优化。它还使用动态域自适应学习机制，在预定义约束下迭代更新和细化关键状态变量，从而实现精确的约束验证。此外，它通过利用电网的物理结构捕获发电机与负载之间的时空依赖关系，允许跨时间和空间深度整合拓扑信息。广泛的对比和消融研究表明，DDA-PIGCN 在多个 IEEE 标准测试用例（如 case9、case30 和 case300）上表现出色，平均绝对误差（MAE）在 0.0011 至 0.0624 之间，约束满足率在 99.6% 至 100% 之间，确立了其作为可靠且高效的 AC-OPF 求解器的地位。
引用
@article{arxiv.2506.00478,
title = {Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF},
author = {Hongjie Zhu and Zezheng Zhang and Zeyu Zhang and Yu Bai and Shimin Wen and Huazhang Wang and Daji Ergu and Ying Cai and Yang Zhao},
journal= {arXiv preprint arXiv:2506.00478},
year = {2025}
}