LUMINA: A Grid Foundation Model for Benchmarking AC Optimal Power Flow Surrogate Learning

📄 arXiv: 2605.02133v1 📥 PDF

作者: Hongwei Jin, Keunju Song, Zeeshan Memon, Yijiang Li, Stefano Fenu, Hongseok Kim, Liang Zhao, Kibaek Kim

分类: cs.LG

发布日期: 2026-05-04

💡 一句话要点

LUMINA-Bench：用于交流最优潮流代理模型学习的网格基础模型基准测试

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 交流最优潮流 代理模型 机器学习 电力系统 基准测试

📋 核心要点

  1. 现有基于学习的ACOPF代理模型难以泛化到未见过的电网拓扑结构，限制了其在实际电力系统中的应用。
  2. LUMINA-Bench提供了一个全面的基准测试套件，用于评估ACOPF代理模型在多拓扑预训练、迁移和适应方面的性能。
  3. 该基准测试比较了不同的架构和训练目标，并使用统一的指标来评估预测精度和物理约束违反情况。

📝 摘要（中文）

交流最优潮流(ACOPF)是电力网运行的基础，但在计算上非常昂贵，因此需要基于学习的代理模型来进行大规模网格分析。然而，这些代理模型通常无法在网络拓扑结构上泛化，这对于部署到训练期间未见过的电网以及进行例行运营假设研究来说是一个关键缺陷。我们引入LUMINA-Bench，这是一个全面的ACOPF代理模型学习基准测试套件，涵盖多拓扑预训练、迁移和适应。该基准测试使用统一的指标评估单拓扑和多拓扑学习设置下的同构和异构架构，这些指标既能捕捉预测精度，又能捕捉符合物理信息的约束违反。此外，我们比较了约束感知训练目标，包括MSE、增广拉格朗日和基于违反的拉格朗日损失，以表征不同设置下的精度-鲁棒性权衡。数据处理、训练和评估框架作为LUMINA套件开源，以支持可重复性并加速未来对可行性感知OPF代理模型的研究。

🔬 方法详解

问题定义：交流最优潮流(ACOPF)计算在电力系统运行中至关重要，但计算复杂度高，难以满足大规模电网实时分析的需求。现有的基于学习的ACOPF代理模型，虽然可以加速计算，但泛化能力不足，难以适应不同的电网拓扑结构，限制了其在实际应用中的有效性。

核心思路：LUMINA-Bench的核心思路是构建一个全面的基准测试平台，用于评估和比较不同的ACOPF代理模型在多拓扑结构下的泛化能力。通过提供统一的数据集、评估指标和训练框架，促进研究人员开发更具鲁棒性和泛化性的代理模型。

技术框架：LUMINA-Bench包含以下主要模块：1) 数据集生成模块，用于生成包含多种电网拓扑结构和运行条件的数据集；2) 模型训练模块，支持多种代理模型架构和训练目标；3) 评估模块，使用统一的指标评估模型的预测精度和约束违反情况；4) 基准测试模块，提供预定义的实验设置和评估流程，方便研究人员进行比较。

关键创新：LUMINA-Bench的关键创新在于其全面性和统一性。它不仅提供了多样化的数据集，还定义了统一的评估指标，使得不同代理模型的性能可以进行公平的比较。此外，LUMINA-Bench还考虑了物理约束的违反情况，这对于电力系统应用至关重要。

关键设计：LUMINA-Bench的关键设计包括：1) 多拓扑数据集的生成，涵盖不同规模和结构的电网；2) 统一的评估指标，包括预测精度（如均方误差）和约束违反情况（如电压越限）；3) 多种训练目标的比较，包括MSE、增广拉格朗日和基于违反的拉格朗日损失；4) 开源的数据处理、训练和评估框架，方便研究人员进行复现和扩展。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

LUMINA-Bench通过实验比较了不同代理模型架构和训练目标在多拓扑结构下的性能。实验结果表明，某些约束感知训练目标（如增广拉格朗日损失）可以提高模型的鲁棒性，减少约束违反情况。此外，该基准测试还揭示了不同模型在不同拓扑结构下的泛化能力差异，为模型选择和改进提供了指导。

🎯 应用场景

LUMINA-Bench的研究成果可应用于电力系统运行、规划和控制等多个领域。通过开发更具泛化能力的ACOPF代理模型，可以加速大规模电网的实时分析，提高电力系统的运行效率和安全性。此外，该基准测试套件还可以促进电力系统领域机器学习算法的开发和应用。

📄 摘要（原文）

AC optimal power flow (ACOPF) is foundational yet computationally expensive in power grid operations, driving learning-based surrogates for large-scale grid analysis. These surrogates, however, often fail to generalize across network topologies, a critical gap for deployment on grids not seen during training and for routine operational what-if studies. We introduce LUMINA-Bench, a comprehensive benchmark suite for ACOPF surrogate learning covering multi-topology pretraining, transfer, and adaptation. The benchmark evaluates homogeneous and heterogeneous architectures under single- and multi-topology learning settings using unified metrics that capture both predictive accuracy and physics-informed constraint violations. We additionally compare constraint-aware training objectives, including MSE, augmented Lagrangian, and violation-based Lagrangian losses, to characterize accuracy-robustness trade-offs across settings. Data processing, training, and evaluation frameworks are open-sourced as the LUMINA suite to support reproducibility and accelerate future research on feasibility-aware OPF surrogates.