PowerGrow：面向电网合成的结构与动态可行共生长
机器学习
2025-09-17 v1 人工智能
系统与控制
系统与控制
摘要
现代电力系统正变得日益动态化，由可再生能源的波动性、电动汽车的普及和主动电网重构驱动着不断变化的拓扑和时变负载。尽管存在这些变化，由于安全顾虑和对真实系统进行匿名化所需的大量工作，公开可用的测试用例仍然稀缺。这些限制要求能够联合合成电网结构和节点动态的生成工具。然而，对网络拓扑、支路属性、母线特性和动态负载曲线的联合分布进行建模仍然是一项重大挑战，同时需保持物理可行性并避免过高的计算成本。我们提出了 PowerGrow，一个共生成框架，在保持运行有效性的同时显著降低了计算开销。其核心思想是依赖分解：利用相互依赖关系，将复杂的联合分布分解为可行电网拓扑、时间序列母线负载和其他系统属性上的一系列条件分布链。通过在每个阶段约束生成过程，我们实现了用于结构合成的分层图 beta 扩散过程，并配以将时间序列数据嵌入紧凑潜在空间的时间自编码器，从而提高了训练稳定性和样本保真度。跨基准设置的实验表明，PowerGrow 不仅在保真度和多样性上优于先前的扩散模型，还实现了 98.9% 的潮流收敛率和改善的 N-1 故障弹性。这证明了其生成运行有效且逼真的电网场景的能力。
引用
@article{arxiv.2509.12212,
title = {PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis},
author = {Xinyu He and Chenhan Xiao and Haoran Li and Ruizhong Qiu and Zhe Xu and Yang Weng and Jingrui He and Hanghang Tong},
journal= {arXiv preprint arXiv:2509.12212},
year = {2025}
}