PGLearn：用于最优潮流的开源学习工具包
机器学习
2025-05-30 v1 人工智能
系统与控制
系统与控制
最优化与控制
摘要
用于最优潮流（OPF）问题的机器学习（ML）技术近期引起了广泛关注，这反映了利用ML来近似和/或加速复杂优化问题求解的更广泛趋势。现代和未来电网中能源生产规模和波动性的增加，使得这些发展成为必然。然而，从生成和求解OPF实例，到训练和基准测试机器学习模型，缺乏标准化的数据集和评估指标阻碍了ML在OPF领域的进展。为应对这一挑战，本文介绍了PGLearn，一个用于ML和OPF的标准化数据集与评估工具的综合套件。PGLearn通过在数据生成中显式捕捉全局和局部变异性，并首次为多个大规模系统包含时间序列数据，提供了能代表真实运行条件的数据集。此外，它支持多种OPF公式，包括AC、DC和二阶锥公式。标准化数据集已公开发布，以普及对该领域的访问，减轻数据生成的负担，并实现各种方法的公平比较。PGLearn还包含一个用于训练、评估和基准测试OPF机器学习模型的稳健工具包，旨在实现该领域性能评估的标准化。通过推广开放、标准化的数据集和评估指标，PGLearn旨在普及并加速最优潮流问题中机器学习应用的研究与创新。数据集可从 https://www.huggingface.co/PGLearn 下载。
引用
@article{arxiv.2505.22825,
title = {PGLearn -- An Open-Source Learning Toolkit for Optimal Power Flow},
author = {Michael Klamkin and Mathieu Tanneau and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2505.22825},
year = {2025}
}