推出GridSFM——一种小型基础模型，能在毫秒级预测交流最优潮流，提升效率并解锁成本节约。了解GridSFM如何让电网运营商直接洞察拥塞、稳定性和系统健康状况：https://t.co/2b5JyXYP0O https://t.co/Kshd7j8kCT

GridSFM：小型基础模型推动电网优化

来源：https://www.microsoft.com/en-us/research/blog/gridsfm-a-new-small-foundation-model-for-the-electric-grid/ 三个白色线条图标——输电塔、闪电和秒表——显示在带有细微纹理图案的青色到绿色渐变背景上。## 微软发布轻量级基础模型，能在毫秒级预测交流最优潮流，提升电网分析效率并解锁成本节约。

概览

• 微软推出GridSFM，一种小型基础模型，能在毫秒级近似求解交流最优潮流（AC-OPF），解锁直接影响高达每年200亿美元拥塞损失和3.4太瓦时可再生能源弃电的决策。
• 除了估算发电机出力和成本，GridSFM还能生成完整的交流系统状态，使运营商直接观察拥塞、稳定性和整体系统健康状况。
• 它为社区提供了基础，无需从头重建数据或模型，即可构建先进的电网模拟器和规划工具。

微软推出GridSFM，一种用于求解输电电网交流最优潮流（AC-OPF）问题的小型基础模型。这是继我们先前发布的基于美国公开输电拓扑数据集之后的工作，该数据集为GridSFM提供动力。

电网正面临日益增长的压力，源自激增的需求、整合可再生能源的需求、交通电气化以及极端天气事件。在所有这些挑战中，核心问题是相同的：在每种新条件下，保持电网运行的最优工作点是什么？

回答这个问题需要求解交流最优潮流（AC-OPF），这是一个复杂的非凸优化问题，它计算满足需求的最便宜发电机出力（每台发电机发多少电），同时遵守潮流物理、电压限值、热约束和稳定性要求，并支撑核心电力系统运行，包括可靠性、实时调度、市场出清和 contingency 分析。这些决策直接决定高达每年200亿美元的拥塞成本（在新标签页中打开）(https://gridstrategiesllc.com/wp-content/uploads/GS_Transmission-Congestion-for-2024.pdf) 和多太瓦时可再生能源弃电（在新标签页中打开）(https://www.eia.gov/todayinenergy/detail.php?id=65364)（因拥塞造成的可再生能源损失），使得经济效率和电网可靠性对如何找到这些工作点高度敏感。然而，AC-OPF计算成本高昂：公用事业规模的电网可能需要数小时求解，迫使人们要么求解少量精心选择的场景，要么依赖忽略关键物理的近似方法，这可能会错误估计潮流和约束条件，并在压力条件下导致次优出力和可靠性下降。

视频系列

《再思考》与Sinead Bovell（https://www.microsoft.com/en-us/research/story/on-second-thought/）

再思考

一个与Sinead Bovell合作的视频系列，围绕人们对AI都有的疑问展开。与微软的专家声音一起，我们剖析这种快速变化的技术所带来的紧张与希望，探索正在演变和可能的事物。

为了解决这一局限性，我们推出GridSFM，一个单一的神经网络，能在毫秒级近似求解范围从500到80,000个母线的电网的AC-OPF。它接受标准的AC-OPF输入（电网拓扑、发电机和负荷规格、输电线路约束），并产生一个工作点和一个可行性判定（系统是否满足所有物理和运行约束）。通过消除计算瓶颈，GridSFM使得能在实时中评估数量级更多的场景，从而实现更明智的决策，并将电网运行从被动响应转变为主动优化。

在此次初始发布中，我们提供两个层级：

• GridSFM-Open 用于研究规模电网，最多4000个母线。
• GridSFM-Premier 用于生产规模系统，最多80,000个母线。

该模型构建为一个块状结构离散神经算子（图1），将每个电网表示为一个有向图，母线和发电机作为顶点，输电线路和交流线路作为边。它使用求解器监督（参考解由AC-OPF求解器 IPOPT in PowerModels.jl（在新标签页中打开）(https://lanl-ansi.github.io/PowerModels.jl/stable/quickguide/) 生成）和基于物理的约束（惩罚违反基尔霍夫电压和电流定律等基本物理定律以及热极限等运行约束的行为）进行训练。这使得模型能够从可行和不可行两种状态中学习。大多数基于学习的AC-OPF代理模型在每个电网的一个狭窄分布（在新标签页中打开）(https://arxiv.org/abs/2406.07234) 上训练单个模型。GridSFM采取相反的方法：在此次发布中，一个模型在超过150个基础电网拓扑（网络结构）和约50万个场景上进行训练，这些场景涵盖不同的负荷曲线、多元件停运、线路额定值降额、电压边界收紧以及不同的发电机成本系数，从而迫使模型进行泛化而非记忆。在GridSFM-Open的54个电网混合测试场景中，我们的模型实现了与求解器真实标签相比2.23%的中位成本差距（平均3.41%；83%的场景差距<5%）。当需要更高精度时，GridSFM的预测还可作为传统数值求解器的热启动种子：与冷启动相比，GridSFM种子热启动在相同测试场景上几何平均快1.66倍，并比行业标准DC-OPF热启动快1.59倍（后续将提供每个电网的详细分析和完整白皮书分析）。几何平均（即乘性平均）在此处使用，因为它对异常值更稳健。我们的模型还展示了仅用少量微调场景就能适应新电网的能力。

图图1. GridSFM架构。母线、发电机和支路特征被嵌入到一个共享的潜在空间，然后由直接操作在电网拓扑上的注意力块堆栈进行精炼。输出头将潜在状态解码为(i)完整的AC-OPF工作点：母线电压和相角、发电机出力、支路潮流，以及(ii)每个场景的可行性得分。## 它能实现什么

电网运行和规划中的一个常见模式是，要么准确求解少量手动选择的场景（使用完整AC-OPF），要么通过更快的近似（放弃部分物理）运行数千个场景。例如，常用的工具是DC-OPF近似，这是一种线性化版本，假设电压幅度平坦、角度差小，并忽略无功功率和损耗。DC近似能在数秒内求解完整AC需要数分钟到数小时的问题，这就是为什么当今大多数 contingency 分析、市场出清预阶段和规划扫描都运行在DC近似上。代价是真实的：DC近似完全忽略电压和无功约束，其调度成本在压力场景下可能偏离AC最优值超过10%（在我们的测试基准中，最差电网超过20%）。

GridSFM被设计为在快速近似位置上的直接替代品，与DC近似不同。与大多数现有的AC-OPF神经代理模型（每个新拓扑需要重新训练）不同，GridSFM在其支持的大小范围内跨电网泛化，无需按拓扑重新训练，因此它可以像DC近似一样普遍地插入使用。特别是与DC-OPF相比，GridSFM具有三个具体优势：

• 与DC近似在独立调度成本上具有相同的精度等级。 GridSFM和DC落在相同的每个场景成本差距分布内（§2 / 图6），但具有互补的失败模式：DC在无损耗/无功线性化结构错误的电网中失败；GridSFM在其训练分布之外的电网中失败。两种局限性沿着正交轴缩小。DC的天花板由线性化固定，而GridSFM的尾部随着更多训练数据而闭合。
• 比完整AC求解器快1,000倍，比DC近似在推理步骤上快约100倍，足够快地在单个商用GPU上几分钟内扫描数千个 contingency（例如线路或发电机停运）。
• 真实的AC工作点，而非线性近似。 GridSFM产生电压和无功功率，因此相同的预测可以作为AC热启动传递给传统的数值求解器，从而开辟了DC近似无法实现的工作流程。

1. 可行性筛选：压力评分分流

当一个场景不可行时，意味着没有调度能同时满足所有约束：请求的负荷在电压边界、热限制或发电机容量内无法被满足。在运行上，不可行是最严重的失败信号：请求的运行条件根本无法被满足，应对措施是干预（减负荷、重新调度、放松热限制）。这也是筛选成本最高的场景类别，因为求解器只有在迭代到不收敛时才知道场景不可行：每个不可行案例都需要一次完整的求解器运行，通常比可行案例更长。因此，扫描数千个 contingency 或压力案例以识别不可行案例是任何规划工作流程中预算最紧张的环节之一。

GridSFM通过一个与调度头联合训练的每个场景压力评分来解决这个问题。我们在每个电网上的三类场景上评估该评分：real-feas（AC-OPF求解器成功收敛的场景，即真正可行的工作点）、real-infeas（求解器未能收敛的场景，即真正不可行的工作点）和synth-infeas（我们故意扰动以违反特定约束的可行基点，如电压挤压、热瓶颈、角度收紧或DC-热拥塞）。在54个电网测试场景中，压力评分的每个网格二元准确性在各类别间大致均匀：real-feas（绿色）平均94.5%，real-infeas（红色）平均96.1%，synth-infeas（橙色）平均90.4%。大多数电网集中在平均值附近几个百分点内；低于80%的异常值是那些在下面的成本差距分析中也表现困难的电网。

图表，折线图图2. GridSM在每个网格上的可行性预测准确性，跨54个电网测试场景，按类别（real-feas、real-infeas、synth_infeas）细分。填充KDE + 每个网格的点，平均值（–）和中位数（:）浅虚线。三个分布高度重叠，模型质量在各类别间大致均匀，只有一小部分结构困难的电网尾部表现不佳。深入案例研究。 我们放大到单个代表性电网——Texas2k 夏季高峰电网（在新标签页中打开）(https://electricgrids.engr.tamu.edu/electric-grid-test-cases/activsg2000/)——以展示学习到的表示如何分离可行性和ROC用于预测。

表示。 图3可视化了模型对每个Texas2k场景的学习表示。我们将每个图的表示（128维）投影到两个轴（LD1, LD2）上，这些轴选择用于最大程度分离场景类别：real-feasible、real-infeasible 和 synthetic-infeasible。将128维压缩到2维不可避免地会丢失信息，因此此视图夸大了明显的重叠：在此处看起来混合的类别可能仍在模型使用的完整128维空间中清晰可分。阴影云显示了每个类别的图集中的位置，每个云中心的十字标记了类别质心，即该类所有图的平均位置。质心相距较远意味着模型将这些类别视为清晰可辨。当两个阴影云重叠时，模型正在为具有不同标签的图生成相似的嵌入。

图图3. 网格嵌入的线性判别投影，用于Texas2k场景。Real feasibles（绿色）、real infeasibles（红色）和synthetic infeasibles（橙色），投影到两个轴（LD1, LD2）上，选择以最大化类间分离。十字标记类别质心；阴影云显示每个类别的集中位置。云之间的重叠意味着模型为这些类别中的图生成相似的嵌入；在完整的128维空间中，模型仍可能沿着未显示的维度将它们分开。操作和ROC。 评分本身是连续且排名校准的。图4显示了其在测试混合上的ROC：AUC = 0.986。在自然操作点上，相同的评分作为二元分类器阈值化，产生95.5%的准确率。在该阈值下，三种扰动模式（将约束干净地推向其极限）的每模式检测率为99-100%。

图表，折线图图4.* GridSFM压力评分在Texas2k夏季高峰测试混合（real feasibles + 求解器标记的infeasibles + 将约束推向其极限的合成扰动模式）上的可行性ROC曲线。曲线下面积 = 0.986，在自然操作点上二元准确性95.5%。评分是为排序校准的；二元截止点的绘制位置是操作员的选择。*分流截止点。 为了将场景路由到行动存储桶，图5显示了每个群体的压力评分分布。操作员选择与其工作流程匹配的截止点：非常自信的可行场景传递到指示性调度；非常自信的压力场景标记为工程审查；边界中间带发送给求解器进行验证。截止点设定了求解器预算和筛选误报率之间的平衡。

图表，直方图图5. 模型在相同Texas2k测试场景上的可行性logit分布，按群体划分：real-feasibles（绿色）、real-infeasibles（红色）和synth-infeasibles（橙色）。虚线垂直线是logit=0的决策边界。右侧的样本被预测为可行。在此操作阈值下，real-feasible通过率为99.5%，real-infeas被正确标记为90.4%，合成扰动被捕获率为88-100%。### 2. GridSFM作为快速近似

GridSFM的预测可以在不从头产生精确AC-OPF解的情况下以两种方式使用：作为独立的调度和成本估计，或作为精确数值求解器的初始猜测（热启动）。我们两者都与两个相同的参考点进行比较：完整AC-OPF（真实最优解）和DC近似（已确立的快速基线）。以下所有数字来自相同的54个电网测试集GridSFM-Open，求解器求解时间按每个场景测量，采用单核CPU固定。

独立成本估计

当不需要精确求解器往返时，GridSFM预测的调度可以直接计算成本。在我们的测试集中，GridSFM-Open和DC近似落在相同的精度等级：可比平均值（DC 2.80%, GridSFM 3.