WARP：面向内点求解器的原-对偶warm-start基准

AC最优潮流(AC-OPF)是电力市场操作中至关重要的任务，内点法(Interior-Point Methods, IPMs)如IPOPT是标准求解器。越来越多的研究利用机器学习预测原变量warm-start迭代，报告的迭代次数减少率为30%-46%。我们指出，这些报告的收益基于不恰当的评估基准：先前方法以平坦起点$V_m = 1, V_a = 0$进行基准测试，而求解器的实际默认值——变量界中点$(l+u)/2$——对于log-barrier中心性而言近乎最优。针对这一纠正后的基准，不存在仅使用原变量的warm-start方法能够减少求解器迭代次数。我们追溯到内点法的几何性质：原变量预测精度与收敛速度呈反相关，而在不提供对偶变量的情况下提供真实最优解$x^*$会导致求解器发散。Oracle实验表明，完整的原-对偶-屏障状态$(x^*, \lambda^*, z^*, \mu^*)$可将IPOPT迭代次数从23降至3，实现85%的显著性降低，而这在仅使用原变量的方法中无法实现。为确保对warm-start方法在该任务上进行严格评估，我们发布了包含对偶标签的AC-OPF数据集基准套件，数据集中提取IPOPT求解器的解，配合纠正后的评估协议，以及WARP——一种基于拓扑条件编码-处理-解码交互网络，能够在异构约束图上预测完整的内点状态$(\hat{x}, \hat{\lambda}, \hat{z}, \hat{\mu})$。WARP实现了IPOPT迭代次数的76%降低，同时原生支持N-1情形拓扑变体无需重新训练。