arXiv cs.AI· Federico Clerici, Ferran Bohigas-Daranas, Hamid Latif-Mart\'inez, Eduardo Prieto-Araujo, Oriol Gomis-Bellmunt, Pere Barlet-Ros·· 13 小时前AI 评分15
图神经网络用于 AC 潮流预测的统一基准：归纳偏置与物理约束的作用
Benchmarking Graph Neural Networks for AC Power Flow: The Role of Inductive Biases and Physical Constraints
AI 导读
一项统一基准在相同预处理、训练流程与相近参数预算下对比多种 GNN 架构的 AC 潮流预测表现，并在 IEEE 14-bus 与 IEEE 118-bus 系统上评估精度与物理一致性。
正文 · AI 翻译
摘要：随着现代电网需要更频繁的系统分析，快速且准确的交流潮流（ACPF）模型日益重要。图神经网络（GNN）天然能够利用电网拓扑结构，然而鉴于各研究在图表示和评估设置上的差异，架构设计选择对预测性能的影响仍鲜为人知。
我们在统一的实验框架下，提出了一个用于 ACPF 预测的代表性 GNN 架构统一基准。所有模型采用相同的预处理和训练流程，并具有可比的参数预算，从而隔离消息传递机制和归纳偏置的影响。我们还按距松弛母线的距离分析误差，并系统地消融关键设计组件。我们在 IEEE 14 母线系统和 IEEE 118 母线系统上评估预测准确性和物理一致性。
结果表明，在所研究的参数和拓扑约束下，各向异性消息传递架构在预测准确性与物理一致性之间提供了最有利的权衡。显式编码线路阻抗的边特征和全局上下文聚合对于表示电气交互和系统级依赖关系尤为重要，尤其是在拓扑瓶颈的 IEEE-118 电网上进行电压相角预测时。在参数大致固定的预算下，两到三层消息传递层通常在深度和表示宽度之间提供最佳平衡，而额外深度并未带来一致的改进。消融还表明，标准残差连接和根连接在浅层模型中未必有益，且聚合算子涉及统计准确性与物理一致性之间的权衡。这些结果为设计基于图的电力系统模型提供了实用指南。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.38985 [cs.LG] |
| （或 arXiv:2610.38985v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.38985 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hamid Latif-Martínez [查看电子邮件]
[v1]
2026年10月28日星期三 22:10:26 UTC（363 KB）
来源：arXiv cs.AI · arxiv.org