基于局部拓扑切片和多任务图学习的尺度自适应功流分析
机器学习
2026-01-06 v1 人工智能
摘要
开发具备对拓扑变化具有强大适应性的深度学习模型，对电力系统功流分析具有重要实际意义。为提升模型在可变系统规模下的性能，并增强支路功率预测的鲁棒性，本文提出了尺度自适应多任务功流分析 (SaMPFA) 框架。SaMPFA 引入了局部拓扑切片 (LTS) 采样技术，从完整电网中提取不同规模的子图，以强化模型的跨尺度学习能力。此外，设计了参考无关的多任务图学习 (RMGL) 模型，用于稳健的功流预测。与现有方法不同，RMGL 直接预测母线电压和支路功率，而非相位角。这一设计不仅避免了支路功率计算中的误差放大风险，还引导模型学习相位角差的物理关系。此外，损失函数包含额外项，以鼓励模型捕捉角差和功率传输的物理模式，进一步提高预测结果与物理规律之间的一致性。在 IEEE 39 节点系统和中国某实际省级电网上的仿真结果表明，所提出的模型在可变系统规模下实现了卓越的适应性和泛化能力，分别实现了 4.47% 和 36.82% 的精度提升。
引用
@article{arxiv.2601.01387,
title = {Scale-Adaptive Power Flow Analysis with Local Topology Slicing and Multi-Task Graph Learning},
author = {Yongzhe Li and Lin Guan and Zihan Cai and Zuxian Lin and Jiyu Huang and Liukai Chen},
journal= {arXiv preprint arXiv:2601.01387},
year = {2026}
}