基于物理信息自注意力图神经网络的参数高效域适应用于交流电力流预测
机器学习
2026-05-19 v2
摘要
在模型训练于中压 (MV) 电网后部署到高压 (HV) 网络时，准确预测交流电力流 (AC-PF) 在域移情况下的表现至关重要。现有的物理信息图神经网络 (GNN) 求解器通常依赖于跨域迁移的全参数微调，导致高昂的再训练成本且对目标域适应与源域保留之间的稳定性-塑性权衡控制有限。我们研究针对物理信息自注意力图神经网络的参数高效域适应，通过基于物理的损失函数鼓励 Kirchhoff 一致行为，同时限制适应为低秩更新。具体而言，我们将低秩适应 (LoRA) 应用于注意力投影，并选择性解冻预测头以调节适应容量。该设计为物理约束下的逆估计在电压-制程移情况下的可控效率-精度权衡。跨多个网格拓扑，所提出的 LoRA+PHead 适应方法在目标域 RMSE 差距为 的情况下恢复了接近全参数微调的精度，同时将可训练参数数量减少了 。物理基残差与全参数微调相当；然而相对于全参数微调，LoRA+PHead 在域移情况下的 MV 源保留降低了 4.7 个百分点 (17.9% vs. 22.6%)，同时仍实现参数高效且物理一致的 AC-PF 估计。
引用
@article{arxiv.2602.18227,
title = {Parameter-Efficient Domain Adaptation of Physics-Informed Self-Attention based GNNs for AC Power Flow Prediction},
author = {Redwanul Karim and Changhun Kim and Timon Conrad and Nora Gourmelon and Julian Oelhaf and David Riebesel and Tomás Arias-Vergara and Andreas Maier and Johann Jäger and Siming Bayer},
journal= {arXiv preprint arXiv:2602.18227},
year = {2026}
}