Refining Graphical Neural Network Predictions Using Flow Matching for Optimal Power Flow with Constraint-Satisfaction Guarantee

📄 arXiv: 2512.11127v1 📥 PDF

作者: Kshitiz Khanal

分类: cs.LG, math.OC

发布日期: 2025-12-11

💡 一句话要点

提出基于流匹配的图神经网络优化方法，保障约束条件下的最优潮流计算

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)

关键词: 最优潮流计算 图神经网络 连续流匹配 物理信息学习 电力系统优化

📋 核心要点

  1. 传统优化算法求解大规模电力系统最优潮流问题计算成本高昂，难以满足实时性需求。
  2. 提出一种两阶段学习框架，结合物理信息图神经网络和连续流匹配，加速求解并保证约束满足。
  3. 实验表明，该方法在保证可行性的前提下，能以极低的成本差距获得接近最优的解。

📝 摘要（中文）

直流最优潮流(DC-OPF)问题是电力系统运行的基础，需要快速求解以进行实时电网管理。传统的优化求解器虽然能提供最优解，但其计算成本对于需要频繁重新计算的大规模系统来说过于昂贵。机器学习方法有望加速求解，但通常难以满足约束条件和保证成本最优性。本文提出了一种新颖的两阶段学习框架，该框架结合了物理信息图神经网络(GNN)和连续流匹配(CFM)来解决DC-OPF问题。我们的方法将基本的物理原理——包括经济调度最优性条件、基尔霍夫定律和Karush-Kuhn-Tucker (KKT)互补条件——直接嵌入到训练目标中。第一阶段训练GNN，通过学习编码电力系统约束的物理信息损失来产生可行的初始解。第二阶段采用CFM，一种无仿真的连续归一化流技术，通过学习向量场回归来优化这些解。在IEEE 30节点系统上，针对70%到130%标称负荷范围内的五个负荷场景进行评估，我们的方法实现了接近最优的解，标称负荷下的成本差距低于0.1%，极端条件下的成本差距低于3%，同时保持了100%的可行性。我们的框架弥合了快速但近似的神经网络预测与最优但缓慢的数值求解器之间的差距，为具有高可再生能源渗透率且需要频繁调度更新的现代电力系统提供了一种实用的解决方案。

🔬 方法详解

问题定义：论文旨在解决直流最优潮流(DC-OPF)问题，该问题在电力系统运行中至关重要，需要快速求解以进行实时电网管理。传统优化求解器虽然能提供最优解，但计算成本在大规模系统中变得难以承受，而现有的机器学习方法难以同时保证约束满足和成本最优性。

核心思路：论文的核心思路是将物理信息融入机器学习模型中，具体而言，通过物理信息损失函数约束图神经网络的训练，使其输出满足电力系统的基本物理定律（如基尔霍夫定律）。然后，利用连续流匹配(CFM)技术，在保证可行性的前提下，进一步优化GNN的初始解，使其逼近最优解。

技术框架：该方法采用两阶段学习框架。第一阶段，训练一个物理信息图神经网络(GNN)，使其能够生成满足电力系统约束的可行解。第二阶段，利用连续流匹配(CFM)技术，通过学习向量场回归，将GNN的初始解优化到接近最优解的状态。CFM是一种无仿真的连续归一化流技术，避免了传统方法中需要进行大量仿真的问题。

关键创新：该方法最重要的创新点在于将物理信息与连续流匹配技术相结合，用于优化图神经网络的预测结果。与传统的仅依赖数据驱动的机器学习方法相比，该方法能够更好地保证解的可行性和最优性。此外，使用连续流匹配避免了对电力系统进行大量仿真，提高了效率。

关键设计：在第一阶段，GNN的损失函数包含了经济调度最优性条件、基尔霍夫定律和KKT互补条件等物理信息。在第二阶段，CFM通过学习一个向量场，将GNN的初始解逐步优化到最优解。GNN的具体网络结构和CFM的参数设置（如学习率、迭代次数等）需要根据具体的电力系统进行调整。

📊 实验亮点

在IEEE 30节点系统上的实验结果表明，该方法在标称负荷下的成本差距低于0.1%，在极端条件下的成本差距低于3%，同时保持了100%的可行性。这表明该方法能够在保证解的可行性的前提下，以极低的成本差距获得接近最优的解，优于传统的机器学习方法。

🎯 应用场景

该研究成果可应用于现代电力系统，尤其是在高比例可再生能源接入的情况下，需要频繁进行调度更新。该方法能够快速提供接近最优的潮流解，有助于提高电力系统的运行效率和稳定性，并降低运行成本。此外，该方法还可以扩展到其他类型的电力系统优化问题，例如交流最优潮流(AC-OPF)问题。

📄 摘要（原文）

The DC Optimal Power Flow (DC-OPF) problem is fundamental to power system operations, requiring rapid solutions for real-time grid management. While traditional optimization solvers provide optimal solutions, their computational cost becomes prohibitive for large-scale systems requiring frequent recalculations. Machine learning approaches offer promise for acceleration but often struggle with constraint satisfaction and cost optimality. We present a novel two-stage learning framework that combines physics-informed Graph Neural Networks (GNNs) with Continuous Flow Matching (CFM) for solving DC-OPF problems. Our approach embeds fundamental physical principles--including economic dispatch optimality conditions, Kirchhoff's laws, and Karush-Kuhn-Tucker (KKT) complementarity conditions--directly into the training objectives. The first stage trains a GNN to produce feasible initial solutions by learning from physics-informed losses that encode power system constraints. The second stage employs CFM, a simulation-free continuous normalizing flow technique, to refine these solutions toward optimality through learned vector field regression. Evaluated on the IEEE 30-bus system across five load scenarios ranging from 70\% to 130\% nominal load, our method achieves near-optimal solutions with cost gaps below 0.1\% for nominal loads and below 3\% for extreme conditions, while maintaining 100\% feasibility. Our framework bridges the gap between fast but approximate neural network predictions and optimal but slow numerical solvers, offering a practical solution for modern power systems with high renewable penetration requiring frequent dispatch updates.