LUMINA：用于基准测试 AC 最优悬浮控制近似学习的网格基础模型
机器学习
2026-05-05 v1
摘要
AC 最优悬浮控制（ACOPF）是电网运营中极其基础且计算昂贵的任务，推动了大规模网格分析中基于学习的近似方法的发展。然而，这些近似方法往往难以在未见过的网络拓扑结构上泛化，这是部署到训练期未出现的电网以及常规运行 what-if 研究中的关键缺口。我们引入 LUMINA-Bench，一个覆盖多拓扑预训练、迁移和适应的 ACOPF 近似学习综合基准套件。该基准在统一的单一和多拓扑学习设置下评估均匀和异构架构，使用统一的度量标准来捕捉预测准确性和 physics-informed 约束违规。我们此外比较约束感知训练目标，包括 MSE、增广拉格朗日和违规基于拉格朗日损失，以刻画准确性-鲁棒性在不同设置下的权衡。数据处理、训练和评估框架作为 LUMINA 套件开源，以支持可重复性并加速未来针对可行性感知 OPF 近似方法的研究。
引用
@article{arxiv.2605.02133,
title = {LUMINA: A Grid Foundation Model for Benchmarking AC Optimal Power Flow Surrogate Learning},
author = {Hongwei Jin and Keunju Song and Zeeshan Memon and Yijiang Li and Stefano Fenu and Hongseok Kim and Liang Zhao and Kibaek Kim},
journal= {arXiv preprint arXiv:2605.02133},
year = {2026}
}