Physics-Informed Graph Learning Acceleration for Large-Scale AC-OPF with Topology Changes

📄 arXiv: 2606.05772v1 📥 PDF

作者: Keunju Song, Kyungnam Park, Sua Choi, Seunguk Kim, Tae-un Kim, Youngmin Choi, Sang-Won Min, Hongseok Kim

分类: eess.SY

发布日期: 2026-06-04

💡 一句话要点

提出GraphOPF框架以加速大规模AC-OPF问题求解

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 交流最优潮流 图学习 神经网络 电力系统 可再生能源 优化算法 拓扑适应性

📋 核心要点

  1. AC-OPF问题因其非凸性和拓扑变化的复杂性，现有方法在大规模电力系统中应用效果不佳。
  2. 本文提出的GraphOPF框架，旨在提高AC-OPF求解的速度和可行性，同时适应电力系统的拓扑变化。
  3. 实验结果显示，GraphOPF在NN训练和AC-OPF求解速度上分别比基线快200倍和66倍，且可行性超过99%。

📝 摘要（中文）

在电力系统中，交流最优潮流（AC-OPF）问题因其非凸性而长期以来一直是一个挑战。随着大规模可再生能源的渗透和负荷增长，对快速高效解决方案的需求愈发迫切。尽管近年来神经网络（NN）在解决AC-OPF问题上受到关注，但其在实际大规模电力系统中的应用仍处于初级阶段。为此，本文提出了一种名为GraphOPF的新框架，综合考虑了拓扑适应性、可扩展性、NN训练时间、自监督学习和可行性。大量实验表明，该框架在NN训练速度上比基线快200倍，在解决包括真实韩国电力系统在内的大规模AC-OPF问题时，速度提升可达66%，且可行性超过99%。

🔬 方法详解

问题定义：本文旨在解决大规模电力系统中的AC-OPF问题，现有方法在处理拓扑变化和求解效率方面存在明显不足。

核心思路：提出GraphOPF框架，通过结合图学习和神经网络技术，提升AC-OPF问题的求解速度和可行性，特别是在拓扑变化频繁的情况下。

技术框架：GraphOPF框架包括数据预处理、图结构构建、神经网络训练和求解模块，整体流程从输入电力系统数据开始，经过图学习模型训练，最终输出优化结果。

关键创新：该框架的核心创新在于引入图学习方法，使得模型能够自适应电力系统的拓扑变化，显著提高了求解效率和可行性，与传统方法相比具有本质区别。

关键设计：在设计中，采用了自监督学习策略以减少对标注数据的依赖，并优化了神经网络的结构和损失函数，以提高训练效率和模型的泛化能力。具体的参数设置和网络结构细节在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GraphOPF框架在神经网络训练速度上比基线快200倍，在解决大规模AC-OPF问题时速度提升可达66%。此外，该框架在实际应用中可行性超过99%，显示出其在电力系统优化中的巨大潜力。

🎯 应用场景

该研究的潜在应用领域包括电力系统的实时调度、可再生能源的集成管理以及电网的智能优化。通过提高AC-OPF问题的求解效率，能够更好地应对电力需求的快速变化和可再生能源的波动性，具有重要的实际价值和未来影响。

📄 摘要（原文）

In power systems, alternating current optimal power flow (AC-OPF) has been a challenging problem for decades due to its nonconvexity, but fast and efficient solutions are even more needed because of high penetration of large scale renewable generation and load growth. Recently, neural networks (NN) have gained attention in solving AC-OPF, but it is still in an early stage to be applicable for real and large-scale power system operation with topology-changing characteristics. To end this, we propose a novel framework called GraphOPF that considers topology-adaptability, scalability, NN training time, self-supervision, and feasibility altogether. Extensive experiments show that the proposed framework against the baselines is up to 200 times faster in NN training and up to 66 times faster in solving AC-OPF for large-scale power systems including the real Korean power system, while achieving more than 99% feasibility.