面向配电网电压预测的物理信息归纳偏置
机器学习
2025-12-09 v2 系统与控制
系统与控制
摘要
配电网电压预测是维持电力系统稳定的关键且具有挑战性的任务。机器学习方法，特别是图神经网络（GNN），提供了显著的加速优势，但在训练数据有限或不完整时 suffer于泛化能力较差。本文系统性地探讨了归纳偏置在提高模型可靠学习电力流能力中的作用。具体我们评估了三种物理信息策略：（i）受电力流约束的损失函数，（ii）复数神经网络，（iii）残差基方法的数值重构。使用覆盖多种低压和中压网格配置的 ENGAGE 数据集，我们进行受控实验以隔离每种归纳偏置的效果，并评估标准预测性能和跨分布泛化能力。我们的研究为哪些模型假设最有效地引导学习，以实现现代配电网络中可靠且高效的电压预测提供了实用见解。
引用
@article{arxiv.2509.25158,
title = {Physics-Informed Inductive Biases for Voltage Prediction in Distribution Grids},
author = {Ehimare Okoyomon and Arbel Yaniv and Christoph Goebel},
journal= {arXiv preprint arXiv:2509.25158},
year = {2025}
}