Physics-Informed but Not Physics-Consistent: Error Geometry and Subspace Projection for Neural AC Power Flow

📄 arXiv: 2610.05959v1 📥 PDF

作者: Changhun Kim, Timon Conrad, Redwanul Karim, Karan Pahlajani, Julian Oelhaf, David Riebesel, Tomás Arias-Vergara, Andreas Maier, Johann Jäger, Siming Bayer

分类: cs.LG, cs.AI

发布日期: 2026-10-05

备注: ICASSP 2027 submitted; 3 figures, 3 tables. Code: https://github.com/Kimchangheon/neural-acpf-error-geometry

🔗 代码/项目: GITHUB

💡 一句话要点

提出校准子空间投影以解决神经AC潮流的物理一致性问题

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

关键词: 神经网络 AC潮流 物理一致性 子空间投影 电力系统 功率平衡 奇异值分解

📋 核心要点

  1. 现有神经网络潮流求解器在电压预测上表现良好，但在物理一致性方面存在显著差距，导致功率平衡残差较大。
  2. 本文提出了一种校准解决方案子空间投影(CSP)的方法，通过抑制超子空间的预测成分来提高物理一致性。
  3. 实验结果表明，CSP方法显著降低了平均功率平衡残差，并在所有模型中提高了电压幅值的准确性。

📝 摘要（中文）

近期的神经网络潮流求解器在电压预测上取得了较高的准确性，但这种准确性并不意味着物理上是一致的。即使是微小的电压误差也可能导致较大的交流功率平衡残差。本文研究了PIGNN-GC、GridSFM、gridfm-graphkit和LUMINA在2224节点的英国电网场景中的准确性与一致性差距。通过对训练的AC潮流解决方案进行奇异值分解(SVD)，发现神经预测误差中包含大量超出主导解子空间的成分。为了解决这一不匹配，采用了校准解决方案子空间投影(CSP)，在训练偏差校准后抑制了超子空间的预测成分，相较于校准预测，PIGNN-GC、GridSFM、gridfm-graphkit和LUMINA的平均功率平衡减少了67.0%、37.8%、40.5%和68.9%，同时提高了所有四个模型的电压幅值准确性。这些结果表明输出误差几何是实现物理一致的神经AC潮流的重要因素。

🔬 方法详解

问题定义：本文旨在解决神经网络潮流求解器在电压预测准确性与物理一致性之间的矛盾。现有方法虽然在电压预测上表现良好，但其预测结果往往导致较大的功率平衡残差，影响实际应用。

核心思路：论文提出的校准解决方案子空间投影(CSP)方法，通过对训练数据进行奇异值分解，识别并抑制超出主导解子空间的预测成分，从而提高物理一致性。

技术框架：整体架构包括数据预处理、奇异值分解、偏差校准和子空间投影四个主要模块。首先对AC潮流解决方案进行SVD分析，然后进行偏差校准，最后通过CSP抑制不一致成分。

关键创新：最重要的技术创新在于提出了CSP方法，能够有效地将神经网络的预测结果调整到物理一致的解空间中，显著改善了现有方法的物理一致性。

关键设计：在模型设计上，采用了奇异值分解来识别主导解子空间，并在损失函数中引入了对功率平衡残差的惩罚项，以优化模型的预测性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，采用CSP方法后，PIGNN-GC、GridSFM、gridfm-graphkit和LUMINA的平均功率平衡残差分别减少了67.0%、37.8%、40.5%和68.9%。同时，所有模型的电压幅值准确性均得到了提升，验证了CSP方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括电力系统的实时监控与控制、智能电网的优化调度以及可再生能源的集成管理。通过提高神经网络在电力流计算中的物理一致性，可以增强电力系统的安全性与可靠性，推动智能电网技术的发展。

📄 摘要（原文）

Recent neural power-flow solvers, including emerging foundation models, achieve accurate voltage predictions, yet such accuracy does not necessarily imply physically consistent solutions. Even small complex voltage errors can yield large AC power-balance residuals. We study this accuracy-consistency gap across PIGNN-GC, GridSFM, gridfm-graphkit, and LUMINA on realistic 2224-bus Great Britain network (GBnetwork) scenarios, with cross-grid evaluation of GridSFM over 31 systems. Using a singular value decomposition (SVD) basis fitted to training AC power-flow solutions, we find that neural prediction errors contain substantial components outside the dominant solution subspace. To address this mismatch, calibrated solution-subspace projection (CSP) suppresses off-subspace prediction components after train-only bias calibration, reducing Mean PB by 67.0%, 37.8%, 40.5%, and 68.9% for PIGNN-GC, GridSFM, gridfm-graphkit, and LUMINA, respectively, relative to calibrated predictions, while improving voltage-magnitude accuracy in all four models. These results identify output-error geometry as an important factor in physics-consistent neural AC power flow. Code: https://github.com/Kimchangheon/neural-acpf-error-geometry