面向数据驱动智能电网最优潮流的可扩展异构图基础模型

# 面向数据驱动智能电网最优潮流计算的可扩展异构图基础模型
来源：https://arxiv.org/html/2605.23194
Massimiliano Lupo Pasini, Yijiang Li, Kibaek Kim, 和 Teja Kuruganti
M\. Lupo Pasini 和 T\. Kuruganti 隶属于橡树岭国家实验室计算科学与工程分部，地址：1 Bethel Valley Road, Oak Ridge, TN 37831, USA。
Y\. Li 和 K\. Kim 隶属于阿贡国家实验室数学与计算机科学分部，地址：9700 S\. Cass Avenue, Lemont, IL 60439。
稿件于2026年XX月XX日收到；修订于2026年XX月XX日。
本稿件部分由UT-Battelle, LLC根据与美国能源部（DOE）签订的DE-AC05-00OR22725号合同编写。美国政府保留权利，出版商通过接受本文发表，承认美国政府保留非排他性、已付费、不可撤销的全球许可，以出版或复制本稿件的已发表版本，或允许他人为实现美国政府目的而这样做。DOE将根据DOE公共访问计划（http://energy.gov/downloads/doe-public-access-plan）提供对这些联邦资助研究结果的公开访问。本研究使用了橡树岭国家实验室橡树岭领导力计算设施的资源，该设施由美国能源部科学办公室根据合同号DE-AC05-00OR22725支持。

###### 摘要

快速可靠的最优潮流（OPF）近似对于智能电网的可靠运行至关重要，然而许多基于学习的代理方法要么扁平化了电网固有的异构结构，要么针对有限的电网拓扑结构，或者缺乏用于图基础模型训练的可扩展基础设施。本文提出了一个基于 HydraGNN 的可扩展异构图神经网络（GNN）工作流，用于数据驱动的 OPF 代理建模和 OPF-GFM 开发。该工作流保留了电网中不同的节点和边类型——母线、发电机、负荷、并联电容器、交流线路、变压器以及设备到母线的耦合——并支持在领导级超级计算机上进行分布式预处理、训练、超参数优化（HPO）和下游微调。利用覆盖十个 PGLib-OPF 案例（从14到13,659个母线）的三百万个异构图实例，我们在 ORNL Frontier 超级计算机上进行了 DeepHyper 驱动的 HPO。该实验找到了具有最低验证损失的紧凑模型（∼1.6–1.7M 参数）。在可行性分类和 N−1 故障回归的下游实验中表明，对预训练的 OPF-GFM 进行微调可提高低数据量下的准确性，稳定训练，加速收敛，并在使用部分或仅头部微调时降低适应成本。

## I 引言

最优潮流是电网运行、规划和决策支持的基本计算原语[3 (https://arxiv.org/html/2605.23194#bib.bib28),7 (https://arxiv.org/html/2605.23194#bib.bib29)]。给定电网拓扑结构、组件参数、发电机能力和负荷需求，交流最优潮流（AC-OPF）问题寻求一个在满足电压、电流、潮流和设备约束的同时最小化发电成本的可行运行点。解中包含母线电压幅值和相角，由此可以推导出额外的电气量，如支路潮流、电流和损耗。

现代智能电网越来越多地涉及异构设备、运行条件的频繁变化、分布式可控资源、拓扑变化以及对快速决策支持的需求。这些趋势促使人们开发基于学习的 OPF 代理，能够以低延迟近似 OPF 解。先前的工作探索了用于 OPF 近似的模仿学习图神经网络（GNN）[20 (https://arxiv.org/html/2605.23194#bib.bib2)]、用于可行且自适应的 AC-OPF 预测的拓扑感知 GNN[15 (https://arxiv.org/html/2605.23194#bib.bib3)]、从迭代 AC-OPF 算法导出的神经架构[9 (https://arxiv.org/html/2605.23194#bib.bib4)]、GNN 辅助的求解器初始化[5 (https://arxiv.org/html/2605.23194#bib.bib5)]，以及将 AC-OPF 约束嵌入训练的物理信息神经方法[6 (https://arxiv.org/html/2605.23194#bib.bib6)]。最近的研究进一步引入了用于 AC-OPF 的异构图表示和注意力机制[8 (https://arxiv.org/html/2605.23194#bib.bib7),21 (https://arxiv.org/html/2605.23194#bib.bib8),23 (https://arxiv.org/html/2605.23194#bib.bib9)]，而 LUMINA 和 LUMINA-Bench 通过拓扑迁移、可行性感知目标、标准化基准、零样本泛化和微调协议，推动了基础模型风格的 AC-OPF 学习[14 (https://arxiv.org/html/2605.23194#bib.bib32),12 (https://arxiv.org/html/2605.23194#bib.bib34),18 (https://arxiv.org/html/2605.23194#bib.bib33)]。

这些努力展示了基于图的 OPF 学习的前景，但它们留下了一个互补的系统性问题：如何在领导级计算平台上，将异构 OPF GFM 训练、架构选择和下游适应扩展到可用 OPF 数据的全部多样性和体量。现有的基准导向研究提供了跨架构、损失函数、迁移设置和可行性指标的受控比较，但全语料库分布式预处理、大规模多架构 HPO 以及下游微调在内存占用、通信成本、数据加载和训练稳定性方面带来了额外挑战。

本文通过开发 HydraGNN¹¹¹https://github.com/ORNL/HydraGNN[17 (https://arxiv.org/html/2605.23194#bib.bib1)] 中用于 OPF 代理建模和 GFM 训练的可扩展异构 GNN 工作流来弥补这一系统规模上的差距。核心目标是构建一个 OPF GFM：一个在广泛的电网拓扑分布、需求剖面、发电组合和运行条件下预训练的单一异构 GNN，其学习到的表示能够跨电网族和规模进行迁移，并且可以通过比从头训练特定拓扑代理更少的标记解来微调以适应下游 OPF 任务。

本文的主要贡献如下：

- • 我们将 HydraGNN 扩展为支持用于 OPF 的可扩展异构图学习，包括节点类型特定的输入嵌入、关系特定的消息传递、可变边属性维度、异构池化、图属性条件以及节点类型特定的预测头。
- • 我们为完整的十案例 OPF 语料库构建了一个分布式预处理和 HDF5 数据流水线，包含约三百万个异构图实例，涵盖从14到13,659个母线的电网。
- • 我们使用 DeepHyper 在 Frontier 超级计算机上对完整多案例数据集进行了跨六种异构 GNN 架构的 HPO，产生了153个有效试验，并确定了 HeteroSAGE 和 HeteroHEAT 为最准确且最紧凑的架构。
- • 我们开发并评估了一个用于 OPF GFM 的预训练和微调协议，展示了在下游 OPF 可行性分类和 N−1 故障回归中的适应能力。

表 I (https://arxiv.org/html/2605.23194#S1.T1) 总结了所提出的工作流与典型的先前基于 GNN 的 OPF 代理建模方法之间的差异。

表 I：所提出的基于 HydraGNN 的 OPF 工作流相对于先前基于 GNN 的 OPF 代理和近期 OPF 图基础模型工作的定位。
## II 基于学习的 AC-OPF 代理相关研究

### II-A 基于 GNN 的 AC-OPF 代理

GNN 是 OPF 的自然模型类别，因为电力系统拓扑直接决定了母线、发电机、负荷和支路之间的耦合。早期的基于 GNN 的 OPF 工作将 OPF 近似表述为图结构电网数据上的模仿学习问题[20 (https://arxiv.org/html/2605.23194#bib.bib2)]。后续的拓扑感知方法利用了 AC-OPF 量中的结构局部性，以改善拓扑变化下的可行性和适应性[15 (https://arxiv.org/html/2605.23194#bib.bib3)]。在此语境下，如果预测的电网状态在规定的工程容差内满足给定拓扑和运行条件下的电压、相角、发电机、热潮流和功率平衡约束，则认为 OPF 预测是可行的。其他方法使用基于图的神经模型来模拟或加速迭代求解器行为，包括从牛顿-拉夫森风格的 AC-OPF 解映射导出的有向无环神经架构[9 (https://arxiv.org/html/2605.23194#bib.bib4)]，以及旨在改进内点求解器收敛性的 GNN 初始估计[5 (https://arxiv.org/html/2605.23194#bib.bib5)]。这些研究确立了 GNN 作为有效 OPF 代理的地位，但许多研究集中于特定的架构、训练机制或固定的电网案例集。

### II-B 可行性感知和物理信息驱动的 OPF 学习

学习 OPF 代理的一个核心挑战是低预测误差并不自动意味着物理可行性。因此，物理信息驱动的神经 OPF 公式将交流潮流方程、可行性惩罚或约束残差纳入训练过程[6 (https://arxiv.org/html/2605.23194#bib.bib6)]。相关的可行性感知 GNN 方法在训练期间惩罚电压、线路潮流或功率平衡违规，并且不仅通过预测误差还通过约束满足来评估模型[8 (https://arxiv.org/html/2605.23194#bib.bib7)]。拉格朗日和增广拉格朗日损失也已被用于通过自适应加权约束违规来平衡准确性和可行性。

### II-C 用于电力系统的异构图表示

电力系统包含多种物理组件类型，包括母线、发电机、负荷、并联电容器、线路、变压器以及设备到母线的耦合。同构图表示可能通过统一对待所有节点和边来掩盖这些区别。因此，最近的 OPF-GNN 研究开始使用明确编码组件和关系类型的异构图表示。OPF-HGNN 提出了一种具有可微电网约束惩罚的异构 GNN 公式，用于 AC-OPF 泛化[8 (https://arxiv.org/html/2605.23194#bib.bib7)]。其他研究探讨了用于 AC-OPF 的基于注意力的异构图机制[21 (https://arxiv.org/html/2605.23194#bib.bib8)]以及用于 AC-OPF 解的局部/全局异构消息传递[23 (https://arxiv.org/html/2605.23194#bib.bib9)]。更广泛地，异构 OPF 模型建立在已建立的消息传递和图变换器层之上，包括 GraphSAGE[10 (https://arxiv.org/html/2605.23194#bib.bib14)]、图注意力[22 (https://arxiv.org/html/2605.23194#bib.bib15)]、GATv2[2 (https://arxiv.org/html/2605.23194#bib.bib17)]、主要邻域聚合[4 (https://arxiv.org/html/2605.23194#bib.bib19)]、异构图变换器[11 (https://arxiv.org/html/2605.23194#bib.bib18)]以及异构边增强注意力[19 (https://arxiv.org/html/2605.23194#bib.bib20)]。

### II-D 电网基础模型、LUMINA 和可扩展模型选择

最近的工作已开始从特定拓扑的 OPF 代理转向电网基础模型，这些模型学习跨多种电力系统配置的可重用表示。LUMINA 将 AC-OPF 代理学习表述为用于受约束科学系统的 GFM，强调拓扑迁移、可行性感知学习以及分布偏移下的可靠性[14 (https://arxiv.org/html/2605.23194#bib.bib32)]。它研究了同构和异构 GNN 架构、监督和约束感知目标、零样本迁移、微调以及跨 AC-OPF 案例的困难模式行为。LUMINA-Bench 进一步形式化了单拓扑训练、多拓扑预训练、留出拓扑泛化以及迁移/适应的基准测试协议，并提供了预测误差和约束违规的统一指标[12 (https://arxiv.org/html/2605.23194#bib.bib34)]。相关的 LUMINA 工作还研究了跨耦合电网优化问题的系统泛化，包括机组组合（UC）、安全约束机组组合（SCUC）、AC-OPF 以及机组组合交流最优潮流（UC-ACOPF），其中离散的机组启停决策和非线性交流潮流可行性必须同时满足[18 (https://arxiv.org/html/2605.23194#bib.bib33)]。

## III 用于最优潮流的异构图学习

### III-A 电网的异构图表示

#### III-A1 节点类型和节点特征

每个 OPF 实例被表示为一个异构图

G=\(V,E\), (1)

其中节点集被分解为四个带类型子集：

V=Vbus∪Vgen∪Vload∪Vshunt. (2)

表 II (https://arxiv.org/html/2605.23194#S3.T2) 总结了节点类型及其输入特征维度。母线节点是主要监督任务的目标节点类型，而发电机、负荷和并联电容器参与消息传递以告知母线级别的预测。

表 II：异构 OPF 图中的节点类型和输入特征维度。母线特征编码电气状态约束和母线元数据，例如电压限值、基准电压和母线类型。发电机特征编码容量限制、有功和无功功率信息、成本系数、当前调度设定点和运行状态。负荷特征编码有功和无功需求。并联电容器特征编码电导和电纳。

#### III-A2 边类型和边特征

边集E是物理电气边和结构设备-母线链接的并集：

E=Eac∪Etr∪Egen∪Eload∪Eshunt. (3)

每条边关系表示为一个由源节点类型、边类型和目标节点类型组成的三元组。表 III (https://arxiv.org/html/2605.23194#S3.T3) 列出了异构 OPF 图中使用的关系。

表 III：异构 OPF 图中的带类型边关系。只有两种物理边类型携带连续边属性，如表 IV (https://arxiv.org/html/2605.23194#S3.T4) 所总结。结构链接不携带连续特征，但以双向方式包含，以支持母线和连接设备之间的双向信息流。

表 IV：异构 OPF 图中的边属性维度。交流线路特征描述传输线在 π 等值模型下的电气特性，包括最小和最大相角差、串联电阻、串联电抗、并联电纳项以及热额定值。变压器特征包括相角限制、串联电阻、漏抗、非标称变比、热额定值、抽头设置和相移。这种区别促使了能够处理具有不同维度的关系特定边属性的异构架构。

## IV 全监督 OPF 学习任务

### IV-A 作为智能电网数据分析任务的 OPF 代理学习

在智能电网应用中，OPF 代理在需要快速评估许多运行场景、拓扑扰动或控制决策时非常有用。