AC潮流神经网络模型的全局性能保证

机器学习能够生成极快且高精度的黑盒代理模型，正日益应用于各类AC潮流问题。然而，严格验证所得黑盒模型的精度在计算上具有挑战性。本文开发了一种可处理的神经网络验证流程，其结合非线性AC潮流方程的真实值来确定最坏情况神经网络预测误差。我们的方法称为顺序目标紧化（Sequential Targeted Tightening, STT），利用了原验证问题（一个难处理的混合整数二次规划（MIQP））的松散凸化重构。通过顺序添加目标割平面，我们迭代地紧化公式，直到解足够紧或已生成满意的性能保证。在学习了14、57、118和200总线PGLib测试案例的神经网络模型后，我们将STT流程生成的性能保证与最先进MIQP求解器Gurobi 11.0生成的保证进行比较。我们表明STT生成的性能保证通常远紧于MIQP上界。