arXiv cs.AI· Ojas Sanghi, Anvita Bhagavathula, Alvaro Carbonero, Priya L. Donti·· 10 小时前AI 评分22
面向分布外泛化的神经交流潮流模型研究
Toward Out-of-Distribution Generalization in Neural AC Power Flow
AI 导读
研究系统评估了物理信息损失、多电网训练和扰动数据增强对三种图神经网络潮流模型零样本迁移能力的影响,目标是从小规模系统迁移到未见过的 500-bus 系统。结果显示物理信息损失优于纯监督目标,边属性扰动增强将迁移效果最多提升 54.6%,而多电网训练虽能匹配最佳单电网但无法缩小与目标电网训练的差距,随机线路/发电机丢弃则无稳定收益。
正文 · AI 翻译
摘要:可再生能源并网、极端天气和数据中心负载使电力系统运行中的不确定性日益增加,这对传统潮流求解器在大规模场景下的可靠性构成了挑战。基于机器学习的代理模型是一种潜在有前景的替代方案,但为大电网生成训练数据的成本过高,使得分布外泛化成为部署的关键能力;目前,在小电网上训练的模型缺乏这种能力。在本工作中,我们系统地评估了物理信息损失、多电网训练和基于扰动的数据增强如何改善三种基于图神经网络的潮流模型从较小系统到更大、未见过的 500 节点系统的零样本迁移。我们发现:(1) 物理信息损失相对于纯监督目标能改善迁移;(2) 在较小系统上进行多电网训练可匹配最佳单一电网,但无法缩小与目标电网训练的差距;(3) 对边属性进行基于扰动的增强可将迁移性能提升高达 54.6%;(4) 随机线路/发电机丢弃并不能持续改善性能。
| 评论: | 11 页,5 幅图。被接收为 NeurIPS 2026 电网人工智能基础研讨会:从模型到大规模部署(AI4PowerGrids)的口头报告,澳大利亚悉尼 |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2611.23729 [cs.LG] |
| (或 arXiv:2611.23729v1 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23729 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Ojas Sanghi [查看电子邮件]
[v1]
2026 年 11 月 18 日星期三 02:41:59 UTC(144 KB)
来源:arXiv cs.AI · arxiv.org