面向交叉最优功流的仪射变换引导的自监督参数解学习
机器学习
2025-11-18 v1 人工智能
计算机视觉与模式识别
摘要
学习 AC 最优功流（AC-OPF）的仪射变换参数近似解，为电力系统实时运营中的快速、可复用的决策提供了潜力。然而，AC-OPF 的固有非凸性导致优化图谱具有挑战性，标准学习方法往往难以收敛到可行的、高质量的解。本文引入一种基于仪射变换引导的自监督 L2O 方法，用于求解参数化的 AC-OPF 问题。其核心思想是构建目标和约束在训练期间的连续变形，从松弛问题（具有宽广吸引域）开始，逐渐转化为原始问题。由此产生的学习过程提高了收敛稳定性，促进可行性，而无需标记最优解或外部求解器。我们在标准 IEEE AC-OPF 基准数据集上进行评估，结果表明仪射变换引导的 L2O 方法在可行性率上显著高于非仪射变换基线，同时实现的目标值相当于完整 OPF 求解器。这些发现表明仪射变换基于的启发式方法为电力系统优化中的可扩展、受约束感知的 L2O 具有巨大的潜力。
引用
@article{arxiv.2511.11676,
title = {Learning with Preserving for Continual Multitask Learning},
author = {Hanchen David Wang and Siwoo Bae and Zirong Chen and Meiyi Ma},
journal= {arXiv preprint arXiv:2511.11676},
year = {2025}
}
备注
25 pages, 16 figures, accepted at AAAI-2026