基于能量梯度流和统一动力学的神经网络最优潜流
机器学习
2025-12-02 v1 人工智能
摘要
最优潜流 (Optimal Power Flow, OPF) 是电力系统运行与规划中的核心优化问题，旨在在满足功率流方程、发电机限制和电压限制等物理约束条件的同时，最小化发电成本。传统 OPF 求解方法通常采用迭代优化算法（如内点法、顺序二次规划等），存在计算效率低、对初始值的敏感以及批处理效率低等局限。目前大多数基于深度学习的 OPF 方法依赖监督学习，需预先求解大量案例，且难以保证物理一致性。本文提出一种基于神经网络动力学和能量梯度流的 OPF 求解方法，将 OPF 问题转化为能量最小化问题。通过构建能量函数衡量系统偏离约束流形的程度，并通过梯度流引导网络学习满足功率流约束且最小化成本的最优解。神经网络通过直接最小化物理残差进行无监督训练，无需标注数据，实现了真正的端到端物理约束学习。
引用
@article{arxiv.2512.01219,
title = {Neural Network Optimal Power Flow via Energy Gradient Flow and Unified Dynamics},
author = {Xuezhi Liu},
journal= {arXiv preprint arXiv:2512.01219},
year = {2025}
}