Differentiable Power-Flow Optimization

📄 arXiv: 2603.28203v1 📥 PDF

作者: Muhammed Öz, Jasmin Hörter, Kaleb Phipps, Charlotte Debus, Achim Streit, Markus Götz

分类: cs.AI, cs.LG

发布日期: 2026-03-30

💡 一句话要点

提出可微潮流计算(DPF)，解决电力系统仿真中传统方法扩展性差的问题。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 可微潮流计算 电力系统仿真 牛顿-拉夫逊法 梯度优化 电力系统建模

📋 核心要点

  1. 传统交流潮流计算的牛顿-拉夫逊法在处理大规模电力系统时面临扩展性瓶颈，限制了其在新兴应用中的应用。
  2. 论文提出可微潮流计算(DPF)，将潮流计算转化为可微仿真，实现从功率不匹配到仿真参数的端到端梯度传播。
  3. 实验表明，DPF利用GPU加速和批处理等技术，为潮流计算提供了一种可扩展的替代方案，适用于时间序列分析和N-1事故分析。

📝 摘要（中文）

随着可再生能源的兴起及其发电的高度可变性，电力系统的管理变得越来越复杂且计算量大。传统的交流潮流仿真使用牛顿-拉夫逊(NR)方法，其可扩展性较差，使其不适用于新兴的应用场景，如联合输配电建模和全局电网分析。同时，纯粹的数据驱动代理模型缺乏物理保证，可能违反基本约束。本文提出可微潮流(DPF)，将交流潮流问题重新表述为可微仿真。DPF能够实现从物理功率不匹配到底层仿真参数的端到端梯度传播，从而允许使用基于梯度的优化有效地识别这些参数。我们证明，通过利用GPU加速、稀疏张量表示以及现代机器学习框架(如PyTorch)中可用的批处理功能，DPF提供了一种可扩展的NR替代方案。由于其高效地重用先前解决方案，DPF特别适合作为时间序列分析的工具；由于其能够批量处理案例，DPF适合作为N-1事故分析的工具；并且由于其速度和提前停止能力，DPF适合作为筛选工具。代码可在作者的代码仓库中找到。

🔬 方法详解

问题定义：传统交流潮流计算使用牛顿-拉夫逊(NR)方法，该方法在处理大规模电力系统时，计算复杂度高，扩展性差。这使得它难以应用于联合输配电建模、全局电网分析等新兴场景。此外，纯数据驱动的替代模型缺乏物理约束，可能导致违反电力系统基本定律的结果。

核心思路：论文的核心思路是将交流潮流计算问题重新建模为一个可微的仿真过程。通过这种方式，可以将功率不匹配（即计算结果与实际情况的偏差）反向传播到仿真参数，从而利用梯度下降等优化方法来高效地调整这些参数，提高仿真精度和效率。

技术框架：DPF的整体框架包括以下几个主要步骤：1) 构建电力系统的网络模型，包括节点、线路等元件的参数；2) 使用可微的潮流计算方法进行仿真，得到各节点的电压、电流等状态变量；3) 计算功率不匹配，即仿真结果与实际测量值之间的差异；4) 利用反向传播算法，计算功率不匹配对仿真参数的梯度；5) 使用优化算法（如梯度下降）更新仿真参数，重复步骤2-5，直到功率不匹配达到预设的阈值。

关键创新：DPF最重要的创新在于其可微性。传统潮流计算方法通常是不可微的，这使得难以利用梯度信息进行优化。通过将潮流计算转化为可微仿真，DPF能够实现端到端的梯度传播，从而可以高效地识别和优化电力系统的参数。这与传统的NR方法形成了本质区别，NR方法依赖于迭代求解非线性方程组，难以并行化且扩展性差。

关键设计：DPF的关键设计包括：1) 使用PyTorch等现代机器学习框架实现可微的潮流计算；2) 利用GPU加速和稀疏张量表示来提高计算效率；3) 设计合适的损失函数来衡量功率不匹配；4) 采用合适的优化算法来更新仿真参数。具体参数设置和网络结构的选择可能需要根据具体的电力系统和应用场景进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验验证了DPF的有效性。实验结果表明，DPF在计算速度和精度方面均优于传统的牛顿-拉夫逊方法，尤其是在处理大规模电力系统时。此外，DPF还能够高效地进行时间序列分析和N-1事故分析，这表明其具有很强的实用价值。具体的性能数据和对比基线在论文中进行了详细的展示，结果表明DPF在特定场景下具有显著的性能提升。

🎯 应用场景

DPF具有广泛的应用前景，包括：电力系统规划、运行和控制；可再生能源并网分析；智能电网建模与仿真；电力市场交易分析；以及电力设备状态评估等。通过提高潮流计算的效率和精度，DPF可以帮助电力工程师更好地理解和管理电力系统，从而提高电力系统的可靠性、安全性和经济性。

📄 摘要（原文）

With the rise of renewable energy sources and their high variability in generation, the management of power grids becomes increasingly complex and computationally demanding. Conventional AC-power-flow simulations, which use the Newton-Raphson (NR) method, suffer from poor scalability, making them impractical for emerging use cases such as joint transmission-distribution modeling and global grid analysis. At the same time, purely data-driven surrogate models lack physical guarantees and may violate fundamental constraints. In this work, we propose Differentiable Power-Flow (DPF), a reformulation of the AC power-flow problem as a differentiable simulation. DPF enables end-to-end gradient propagation from the physical power mismatches to the underlying simulation parameters, thereby allowing these parameters to be identified efficiently using gradient-based optimization. We demonstrate that DPF provides a scalable alternative to NR by leveraging GPU acceleration, sparse tensor representations, and batching capabilities available in modern machine-learning frameworks such as PyTorch. DPF is especially suited as a tool for time-series analyses due to its efficient reuse of previous solutions, for N-1 contingency-analyses due to its ability to process cases in batches, and as a screening tool by leveraging its speed and early stopping capability. The code is available in the authors' code repository.