基于物理和运行约束细化的交流电力流代理的测试时训练
机器学习
2025-12-01 v1 人工智能
系统与控制
系统与控制
摘要
基于机器学习（ML）技术的电力流（PF）计算相对于传统数值方法具有显著的计算优势，但往往难以保持完整的物理一致性。本文引入一种物理信息测试时训练（PI-TTT）框架，通过在推断时直接强制执行交流电力流等式和运行约束，来增强 ML 基于 PF 代理的准确性和可行性。该方法通过少量梯度更新对代理输出进行轻量级自监督式细化，使其能够在无需标记数据的情况下适应未见的运行条件。在 IEEE 14 节点、118 节点和 300 节点系统以及 PEGASE 1354 节点网络上的大量实验表明，PI-TTT 将电力流残差和运行约束违规降低了一个数量级到两个数量级，而仍保持其计算优势。结果表明，PI-TTT 提供了快速、准确且物理可靠的预测，代表了可扩展且在物理上一致的学习在电力系统分析中的有前景的方向。
引用
@article{arxiv.2511.22343,
title = {Test Time Training for AC Power Flow Surrogates via Physics and Operational Constraint Refinement},
author = {Panteleimon Dogoulis and Mohammad Iman Alizadeh and Sylvain Kubler and Maxime Cordy},
journal= {arXiv preprint arXiv:2511.22343},
year = {2025}
}