arXiv cs.AI· Carmine Delle Femine, Leire Garin Atxaga, Asier Diaz-Iglesias, Juan Pablo Maroto Herrera, Ane Miren Florez-Tapia, Marco Quartulli, Izaro Goienetxea Urkizu·· 14 小时前AI 评分24
分层 GNN 用于潮流计算：让物理结构塑造层级
Hierarchical GNNs for power flow: letting physics shape the hierarchy
AI 导读
分层潜在通信模块通过 GENCO 校正网络内的两个约简图交换信息，替换其中两步局部校正，使跨三个电网共享的潮流模型泛化到新运行场景。在训练拓扑上，Kron 的宏族平衡电压误差为 0.851±0.110，比按母线均值拟合的参考（1.747）低 51.3%，在 600 个新场景中 98.5% 低于该参考，并比 Quotient（1.235±0.225）低 31.0%。
正文 · AI 翻译
摘要：分层潜在通信提升了潮流模型（在三个电网间共享）对新运行场景的泛化能力。该模块在 GENCO 的校正网络中通过两个约简图交换信息，替换了其中两个局部校正步骤。我们比较了 Kron 导出的传输、同锚点的 Quotient 构造以及扁平的 GENCO Base 架构，全部在我们自定的一套协议下训练，每个电网的优化器更新次数比 GENCO 的参考训练少约一百倍：在三种电网拓扑上训练 200 个 epoch，每个电网少于 1,900 个训练场景，每个模型三个初始化种子。评估使用每个电网新生成的 200 个预选场景。在训练拓扑上，Kron 达到宏平均族平衡电压误差 $0.851\pm0.110$，比在训练解上拟合的逐母线均值（1.747）低 51.3%。在 600 个全新场景中，Kron 在 98.5% 的场景上低于该参考值，且两个分层模型在全部三个种子下于每个训练拓扑上均优于该参考值。扁平基线达到 $5.660\pm0.899$，在任何训练拓扑上均未优于参考值，因此 Kron 相对其 85.0% 的降幅是在我们的训练机制内比较架构。Kron 也比 Quotient（$1.235\pm0.225$）低 31.0%。这些结果证明了在所研究拓扑内跨运行场景的泛化能力，且一组学习参数在多个电网间共享。在训练中未见过的两个拓扑上，当前模型在校准迁移中尚未优于拟合参考值；向新拓扑的外推是下一个开发目标。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.26603 [cs.LG] |
| （或 arXiv:2609.26603v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.26603 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Carmine Delle Femine [查看邮箱]
[v1]
2026年9月22日星期二 15:41:11 UTC（168 KB）
[v2]
2026年9月25日星期五 12:06:06 UTC（171 KB）
[v3]
2026年10月26日星期一 16:52:07 UTC（126 KB）
来源：arXiv cs.AI · arxiv.org