面向潮流仿真的物理信息神经网络研究设计与解构

在能源转型的背景下，随着可再生能源和跨国电力交换的日益整合，电网正面临更大的不确定性和运行风险。在不同条件下维持电网稳定性是一项复杂的任务，潮流仿真器通常被用于在实施前评估潜在操作以支持运营者。然而，传统的物理求解器虽然准确，但对于近实时应用而言通常太慢。机器学习模型已成为快速代理模型，为了提高其对物理定律（如基尔霍夫定律）的遵循程度，它们通常被训练嵌入了约束，这也被称为物理信息或混合模型。本文提出了一项消融研究，以解构混合策略，包括将物理约束作为正则化项或无监督损失纳入，并探索了从简单的多层感知机到能够直接优化物理方程的先进图网络等模型架构。使用我们称为 LIPS 的混合模型定制基准测试流水线，我们从四个维度评估这些模型：准确性、物理合规性、工业就绪度和分布外泛化能力。结果突出了整合物理知识如何影响这些标准下的性能。所有实现均可复现，并已在相应的 Github 页面中提供。