用于交流最优功流的神经网络：在训练期间提高最坏情况保证
系统与控制
2025-11-04 v2 系统与控制
摘要
交流最优功流（AC-OPF）问题是电力系统运行的核心问题，但由于其非凸和非线性特性，面临效率挑战。神经网络（NN）提供了快速的替代方案，但其黑箱行为引起约束违规可能危及安全的顾虑。我们提出一种基于验证信息的NN框架，将最坏情况约束违规直接纳入训练，生成既准确又可被证明更安全的模型。通过后验验证，我们实现了显著降低的最坏情况违规，在首次验证大规模AC-OPF代理的所有运行约束方面取得进展。通过恢复和热启动策略增强实际可行性，以处理不可行的运行点。实验覆盖57至793 buses的系统，展示了可扩展性、速度和可靠性，弥合了机器学习加速与安全、实时部署AC-OPF解决方案之间的差距，为数据驱动的最优控制铺平了道路。
引用
@article{arxiv.2510.23196,
title = {Neural Networks for AC Optimal Power Flow: Improving Worst-Case Guarantees during Training},
author = {Bastien Giraud and Rahul Nellikath and Johanna Vorwerk and Maad Alowaifeer and Spyros Chatzivasileiadis},
journal= {arXiv preprint arXiv:2510.23196},
year = {2025}
}
备注
Submitted to PSCC 2026 (under review)