KCLNet：基于约束投影的物理驱动电力悬挂预测
人工智能
2025-06-17 v1 系统与控制
系统与控制
摘要
在现代电力系统背景下，快速、可扩展且具有物理学意义的电力悬挂预测对于确保电网的安全和高效运行至关重要。虽然传统数值方法已证明稳健，但在动态或情境条件下维持物理保真度需要大量计算。相比之下，近期的人工智能（AI）技术显著提升了计算速度；然而，它们往往在实际情境下未能强制执行基本物理法则，导致产生不具物理意义的预测。本文引入 KCLNet，这是一个基于 Kirchhoff 定律作为硬约束通过超平面投影实现的物理感知图神经网络。KCLNet 在保持竞争预测精度的同时，确保零 KCL 违规，从而为现代智能电网的安全运行提供可靠且物理一致的电力悬挂预测。
引用
@article{arxiv.2506.12902,
title = {KCLNet: Physics-Informed Power Flow Prediction via Constraints Projections},
author = {Pantelis Dogoulis and Karim Tit and Maxime Cordy},
journal= {arXiv preprint arXiv:2506.12902},
year = {2025}
}