Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation

📄 arXiv: 2609.16738v1 📥 PDF

作者: Ferran Bohigas-Daranas, Hamid Latif-Martínez, Eduardo Prieto-Araujo, Oriol Gomis-Bellmunt, Pere Barlet-Ros

分类: eess.SY, cs.LG

发布日期: 2026-09-15

💡 一句话要点

提出统一异构图神经网络求解器以解决电力流等问题

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

关键词: 图神经网络 电力流 最优电力流 状态估计 多任务学习 电力系统分析

📋 核心要点

  1. 现有的图神经网络求解器通常只能针对单一问题进行训练，导致模型的适用性和效率不足。
  2. 本文提出的异构残差门控图卷积网络通过共享骨干网络，能够同时解决电力流、最优电力流和状态估计问题。
  3. 实验结果表明，该模型在多种拓扑和负载条件下的表现与任务特定的GNN求解器相当，并且在未见数据上保持稳健性。

📝 摘要（中文）

电力流（PF）、最优电力流（OPF）和状态估计（SE）是电力系统分析中的基本问题，但其求解计算开销大。现有的图神经网络（GNN）方法通常针对单一问题进行训练，导致模型狭窄且需为每个新任务重建。本文提出一种更通用的方法：一个单一的异构残差门控图卷积网络，能够通过共享的骨干网络同时解决这三类问题。该模型学习网络行为的可重用表示，从而实现PF、OPF和SE的估计。经过在多种拓扑和负载条件下的联合训练，并在IEEE 14-bus和118-bus系统上进行评估，结果显示该共享模型在准确性上与特定任务的GNN求解器相匹配，并在未见负载水平和拓扑上保持稳健性。

🔬 方法详解

问题定义：本文旨在解决电力流、最优电力流和状态估计等电力系统分析中的基本问题。现有方法通常只能针对单一问题进行训练，导致模型的适用性和效率不足。

核心思路：提出的异构残差门控图卷积网络通过共享一个骨干网络，学习网络行为的可重用表示，从而实现对多个问题的联合求解。这种设计使得模型能够在不同任务之间共享知识，提高了计算效率。

技术框架：整体架构包括一个共享的骨干网络，结合异构图卷积层和残差连接。模型通过联合训练，利用多种拓扑和负载条件的数据进行优化。

关键创新：最重要的创新点在于提出了一个统一的模型框架，能够同时处理多个电力系统分析任务，打破了传统方法的局限性。与现有方法相比，该模型在准确性和适用性上具有显著提升。

关键设计：模型采用了残差连接以增强信息流动，损失函数设计为多任务损失，确保在不同任务间的平衡学习。网络结构中，异构图卷积层能够处理不同类型的节点和边，适应复杂的电力网络拓扑。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，提出的模型在IEEE 14-bus和118-bus系统上与特定任务的GNN求解器在准确性上相当，并且在未见负载水平和拓扑上表现出良好的稳健性。这表明该模型能够有效捕捉电力网络的基本操作，支持多种分析任务。

🎯 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、优化调度和故障检测等。通过提供一个统一的求解框架，能够显著提高电力系统分析的效率和准确性，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Power Flow (PF), Optimal Power Flow (OPF), and State Estimation (SE) are fundamental problems in power system analysis, but solving them is computationally expensive. Graph Neural Networks (GNNs) have been proposed as fast surrogates, yet existing solvers are trained for a single problem at a time, producing narrow models that must be rebuilt for each new task. We propose a more general approach: a single Heterogeneous Residual Gated Graph Convolutional Network that solves all three problems with one shared backbone. Rather than learning one mapping, the model learns a reusable representation of how the network behaves, from which PF, OPF, and SE can each be estimated. Trained jointly on the three problems across diverse topologies and loading conditions, and evaluated on the IEEE 14-bus and 118-bus systems, the shared model matches the accuracy of task-specific GNN solvers and stays robust on unseen loading levels and topologies. These results show that a single model can capture the basic operation of a power network and serve several analysis tasks at once, a first step toward a foundation model for power systems.