FMOPF: 面向交流最优潮流的潜在流匹配与约束感知交互先验

# FMOPF：基于隐空间流匹配与约束感知交互先验的交流最优潮流

来源：https://arxiv.org/html/2607.22788

###### 摘要

交流最优潮流问题旨在满足非线性功率平衡约束的前提下，确定最小成本的发电调度方案，在电力市场运营中每天需求解数千次。学习一种从负荷条件到OPF解的直接映射可以加速这一计算过程，但随着可再生能源渗透率的加深，单一的优化调度已不再足够。运营商需要对可行近优解的分布进行刻画，以便进行风险评估、灵敏度分析和多目标权衡评估。监督式神经网络能够提供快速点预测，但无法捕捉这种条件分布。基于扩散的生成模型原则上可以对多样化解进行采样，但现有在原始状态空间上运行的方法表现出解质量下降，并且无法扩展到中型以上的系统。我们将根本原因归咎于单一模型内混淆了两个不同的任务：压缩高维OPF解流形是一个任务，学习从负荷到该流形的条件映射是另一个任务。本文提出FMOPF框架，通过隐空间流匹配将压缩与生成解耦，并通过约束感知交互先验网络显式建模负荷-状态耦合。在四个IEEE测试系统上的实验表明，FMOPF提供了最有效的牛顿-拉夫逊热启动，在生成方法中实现了最低的尾部风险，并且是第一个能够扩展到数百个节点系统且同时保持完全可行性的此类方法。消融研究证实，隐空间生成流程是物理可行性的必要条件，而交互先验则起到后期尾部风险控制器的作用。

## I. 引言

交流最优潮流问题在满足输电网络非线性功率平衡方程和运行约束的条件下，确定最小成本的发电调度方案\[1 (https://arxiv.org/html/2607.22788#bib.bib1)\]。作为电力市场出清、实时调度和可靠性评估背后的计算引擎，AC-OPF必须在负荷和可再生能源出力持续变化的条件下每天求解数千次\[2 (https://arxiv.org/html/2607.22788#bib.bib2)\]。交流潮流方程的非凸性使得每一次求解计算量巨大，这也推动了十多年来关于快速学习近似方法的研究。

训练用于从负荷输入预测最优OPF解的神经网络已取得了显著的精度和速度\[3 (https://arxiv.org/html/2607.22788#bib.bib3),4 (https://arxiv.org/html/2607.22788#bib.bib4),5 (https://arxiv.org/html/2607.22788#bib.bib5)\]。这些监督模型为每个负荷条件提供单一的确定性最优调度点估计。然而，在现代高可再生能源渗透率的电力系统中，单一点预测是不够的。运营商必须量化预测不确定性下的约束违反风险，评估发电成本对预测误差的敏感性，并在平衡多个目标时探索近优替代方案。这些任务需要能够从OPF解的条件分布中采样多样且物理可行的调度决策，并推理其变异性\[6 (https://arxiv.org/html/2607.22788#bib.bib6)\]。监督回归模型在架构上无法提供这种分布信息，无论其精度如何。

基于扩散和流的生成模型\[7 (https://arxiv.org/html/2607.22788#bib.bib7),8 (https://arxiv.org/html/2607.22788#bib.bib8)\]在图像合成、视频生成和科学发现中取得了显著成功\[9 (https://arxiv.org/html/2607.22788#bib.bib9),10 (https://arxiv.org/html/2607.22788#bib.bib10),11 (https://arxiv.org/html/2607.22788#bib.bib11),12 (https://arxiv.org/html/2607.22788#bib.bib12),13 (https://arxiv.org/html/2607.22788#bib.bib13),14 (https://arxiv.org/html/2607.22788#bib.bib14),15 (https://arxiv.org/html/2607.22788#bib.bib15),16 (https://arxiv.org/html/2607.22788#bib.bib16),17 (https://arxiv.org/html/2607.22788#bib.bib17)\]，因为这些领域的数据分布虽然高维，但能够学习到有效的低维表示。OPF问题呈现出一个与这些领域不同的结构性挑战。作为节点级表示的一个产物，OPF状态向量的维度随系统规模线性增长。一个几百个节点的系统状态空间维度超过一千，但可行OPF解位于一个维度低得多的流形上。这种人为的高维掩盖了可行域的紧凑结构，并使得联合空间生成变得极其昂贵。DiffOPF\[18 (https://arxiv.org/html/2607.22788#bib.bib18)\]和Fast Diffusion\[19 (https://arxiv.org/html/2607.22788#bib.bib19)\]通过直接在原始状态空间上运行将生成模型应用于OPF，其中DiffOPF将解生成公式化为联合负荷-状态空间中的去噪扩散过程，Fast Diffusion则用物理引导的采样加以增强。然而，这些方法呈现出两个源于联合空间公式的基本局限性。第一个是与监督基线相比解质量下降，尤其是在尾部风险指标上。第二个且更关键的局限性是可扩展性。在原始状态空间上运行混淆了单一模型内的两个不同任务：将高维OPF解流形压缩为易处理的表示是一个任务，而学习从负荷到该表示的条件映射是另一个任务。当单个模型同时尝试两者时，它在两项任务上都失败。此外，这些方法缺乏显式建模负荷条件与系统状态之间耦合的机制，仅依赖于硬测量替换，这无法提供关于负荷变化如何通过网络方程传播的梯度信号。

本文提出FMOPF框架，通过两个关键创新解决这些局限性。第一个是隐空间流匹配，它解耦了压缩与生成。自编码器将OPF状态压缩为紧凑的隐表示，然后一个流匹配模型\[8 (https://arxiv.org/html/2607.22788#bib.bib8),20 (https://arxiv.org/html/2607.22788#bib.bib20)\]学习在给定负荷输入条件下生成多样化的隐向量。流匹配学习一个连续的向量场，其回归目标比扩散模型的噪声预测更简单，并且能用更少的积分步实现高效采样。第二个是约束感知交互先验网络，它显式建模负荷条件与系统状态之间的耦合。在每个生成步骤，CA-IPN接收负荷条件和一个粗状态估计，计算一个编码其耦合的交互特征，并将该特征注入流匹配模型以进行精细化预测。一个约束感知分支提供由潮流残差监督的校正。训练分两阶段进行。自编码器首先独立训练以建立高质量的隐空间。然后冻结自编码器，联合训练流匹配模型和CA-IPN。

我们在四个标准IEEE测试系统（6到300节点）上评估FMOPF。实验展示了三个核心发现。第一，FMOPF在所有比较方法中提供了最有效的牛顿-拉夫逊热启动，在每个测试系统上实现了最低的精化后潮流误差，并在300节点系统上相对于监督基线提升了高达3.6倍。第二，FMOPF在所有生成方法中实现了最低的尾部风险，其中CA-IPN充当尾部风险控制器。第三，FMOPF是唯一一种能够扩展到300节点系统，同时保持竞争性最优性和完全可行性的生成方法。FMOPF并非旨在超越监督回归模型的点预测精度。它为牛顿-拉夫逊精化提供了最佳热启动，并提供了确定性方法无法提供的分布信息，同时具有竞争性的平均精度。

本文的主要贡献如下：

1. 1. 我们将OPF解生成公式化为在习得的隐空间中的流匹配问题，解耦压缩与生成，实现了超越先前基于扩散方法范围内的可扩展采样。
2. 2. 我们设计了CA-IPN，它显式建模负荷-状态耦合并提供约束感知校正。CA-IPN在生成后期阶段充当尾部风险控制器。
3. 3. 我们开发了一个两阶段训练流程，先建立高质量的隐空间，然后联合训练生成模型与交互先验。
4. 4. 我们首次在300节点系统上对生成式OPF方法进行了系统评估，并指出了自编码器压缩比是主要的可扩展性瓶颈。

详见说明图1：FMOPF框架概览。阶段1训练自编码器将OPF状态压缩为紧凑的隐空间。阶段2联合训练流匹配模型和CA-IPN，以生成基于负荷输入条件的隐表示。在推理时，通过积分学习的流ODE生成隐向量，解码到状态空间，并通过牛顿-拉夫逊投影精化。

## II. 相关工作

### II-A. 基于学习的最优潮流

监督学习方法利用从传统求解器获得的解训练神经网络，以近似从负荷输入到最优发电设定值的映射。DeepOPF\[3 (https://arxiv.org/html/2607.22788#bib.bib3)\]引入了一种用于安全约束直流最优潮流的深度神经网络架构，相对于内点法实现了显著的加速。Fioretto等人\[5 (https://arxiv.org/html/2607.22788#bib.bib5)\]将深度学习与拉格朗日对偶方法结合，以改进约束满足的方式预测AC-OPF解。Zamzam和Baker\[4 (https://arxiv.org/html/2607.22788#bib.bib4)\]提出了一种热启动方法，使用神经网络预测作为传统求解器的初始点。无监督和物理信息方法消除了对预计算最优解的依赖。DC3\[21 (https://arxiv.org/html/2607.22788#bib.bib21)\]公式化了一个可微校正层，将神经网络输出投影到可行集上。DeepOPF-NGT\[22 (https://arxiv.org/html/2607.22788#bib.bib22)\]采用了一种带有增广拉格朗日项的无监督训练方案以实现约束满足。Nellikkath和Chatzivasileiadis\[23 (https://arxiv.org/html/2607.22788#bib.bib23)\]将潮流方程直接纳入训练损失。图神经网络架构\[24 (https://arxiv.org/html/2607.22788#bib.bib24)\]被探索用于捕捉拓扑结构，从而改善跨运行条件的泛化。然而，这些方法本质上是基于回归的：它们学习从负荷到单个最优解的确定性映射。它们无法刻画近优解的分布，量化其预测的不确定性，或支持风险感知决策。FMOPF通过提供一个能采样多样可行解且同时保持竞争性平均最优性的生成模型来解决这一差距。

### II-B. 面向OPF的生成模型

基于扩散的生成模型\[7 (https://arxiv.org/html/2607.22788#bib.bib7),25 (https://arxiv.org/html/2607.22788#bib.bib25)\]学习逆转一个渐进的加噪过程，将噪声转换为复杂的数据分布。DDIM\[26 (https://arxiv.org/html/2607.22788#bib.bib26)\]能够以更少的步数实现确定性采样，而分类器引导\[27 (https://arxiv.org/html/2607.22788#bib.bib27)\]通过在采样过程中引入辅助分类器的梯度来改善样本质量。在OPF领域，DiffOPF\[18 (https://arxiv.org/html/2607.22788#bib.bib18)\]开创了扩散模型的应用，操作于联合负荷-状态空间，其中负荷条件通过测量替换注入。Fast Diffusion\[19 (https://arxiv.org/html/2607.22788#bib.bib19)\]在此基础上增加了确定性采样过程中的物理引导校正。生成对抗网络也已应用于OPF。MI-GAN\[6 (https://arxiv.org/html/2607.22788#bib.bib6)\]将可行性过滤器和梯度引导层集成到GAN架构中，以提高解质量。然而，这些生成方法有一个共同限制：它们直接在原始OPF状态空间上操作，其维度随系统规模线性增长。这种联合空间公式混淆了压缩解流形与学习从负荷到状态的条件映射这两项任务。随着系统规模增大，模型必须同时学习高维数据分布和复杂的条件关系，导致解质量下降且难以扩展。FMOPF通过隐空间流匹配解决了这一混淆：自编码器处理压缩，而在紧凑隐空间上操作的流匹配模型处理条件生成。

流匹配\[8 (https://arxiv.org/html/2607.22788#bib.bib8),20 (https://arxiv.org/html/2607.22788#bib.bib20),28 (https://arxiv.org/html/2607.22788#bib.bib28)\]已成为扩散模型的一种强大替代方案。与学习逆转随机加噪过程的扩散模型不同，流匹配通过回归一个向量场来学习连续归一化流。条件流匹配目标\[8 (https://arxiv.org/html/2607.22788#bib.bib8)\]提供了一个简单的回归目标，比扩散模型的分数匹配或噪声预测目标更容易优化。基于SE(3)的生成模型已成功应用于分子生成\[29 (https://arxiv.org/html/2607.22788#bib.bib29)\]、蛋白质主链设计\[30 (https://arxiv.org/html/2607.22788#bib.bib30)\]和图像生成\[11 (https://arxiv.org/html/2607.22788#bib.bib11)\]。FMOPF是首个将流匹配应用于OPF问题的工作，利用其更简单的目标和更高效的采样，使得生成式OPF能够达到扩散方法无法企及的规模。更广泛地说，基于扩散和流的生成模型在科学和工程领域展示了卓越的多功能性，包括分子构象生成、蛋白质结构预测、气候建模和视频生成，确立了生成建模作为学习高维空间中复杂条件分布的通用框架。

自编码器与生成模型的结合对于高维数据已被证明非常有效。Stable Diffusion\[10 (https://arxiv.org/html/2607.22788#bib.bib10)\]表明，在应用扩散之前将图像压缩到隐空间能够显著提高质量和效率。这种隐空间生成范式构成了我们方法的基础：将高维OPF状态压缩为紧凑的隐表示，然后在这个降维空间中应用流匹配。

### II-C. 物理信息生成先验

将结构先验纳入生成模型已被证明可以改善样本质量，尤其是在高维物理系统中。在OPF背景下，先验对应的是交流功率平衡方程和运行约束。DiffOPF\[18 (https://arxiv.org/html/2607.22788#bib.bib18)\]通过测量替换将负荷条件纳入扩散过程，但缺乏显式的约束建模。Fast Diffusion\[19 (https://arxiv.org/html/2607.22788#bib.bib19)\]引入了物理引导的校正步骤，但这是作为后处理步骤应用的，不提供训练期间的梯度信号。CA-IPN通过引入一个显式编码负荷-状态耦合并提供约束感知校正的交互先验网络来区分于这些方法。CA-IPN在一次前向传递中结合了交互计算和约束校正，提供了用于联合训练的梯度信号。关于CA-IPN的详细推导与消融分析，请参见第三节。