GridSFM: A Foundation Model for Solving AC Optimal Power Flow

📄 arXiv: 2609.30173v1 📥 PDF

作者: Luke Bhan, Weiwei Yang, Margaret Capetz, Baosen Zhang

分类: eess.SY, cs.LG, math.OC

发布日期: 2026-09-24

备注: 19 pages

💡 一句话要点

提出GridSFM以解决交流最优潮流问题

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

关键词: 交流最优潮流 图神经网络 物理信息微调 电力系统优化 弹性可行集

📋 核心要点

  1. 现有的AC-OPF求解方法面临可行集不连通的问题，导致神经网络无法有效近似解映射。
  2. GridSFM通过结合预训练模型与基于牛顿法的物理信息微调，提供了一种新的求解AC-OPF的思路。
  3. 实验结果表明，GridSFM在处理高达10000个节点的电网时，成本和求解迭代次数均优于传统的专用神经网络模型。

📝 摘要（中文）

我们介绍了GridSFM，一个结合了预训练基础模型和物理信息微调的框架，用于大规模解决交流最优潮流（AC-OPF）问题。该模型是一个拥有1500万参数的物理启发图神经网络，预训练于54种500到4000个节点的电网拓扑上。在未见过的电网上，GridSFM在仅解决100个实例的情况下，能够适应最多10000个节点的电网，并在成本和求解迭代次数上超越了单一拓扑的专用神经网络模型。我们克服了AC-OPF可行集可能不连通的挑战，提出了通过对数惩罚松弛来放宽约束，从而确保了求解的有效性。我们发布了所有模型、数据和代码，以便社区能够在AC-OPF的共享起点上进行进一步研究。

🔬 方法详解

问题定义：本论文旨在解决交流最优潮流（AC-OPF）问题，现有方法的痛点在于可行集可能不连通，限制了神经网络的有效性。

核心思路：论文提出通过将问题提升并用对数惩罚松弛约束来克服可行集不连通的挑战，从而使得神经网络能够更好地近似解映射。

技术框架：GridSFM的整体架构包括预训练的基础模型和基于牛顿法的物理信息微调设计。预训练模型在54种电网拓扑上进行训练，微调则针对特定电网实例进行优化。

关键创新：最重要的创新在于提出了弹性可行集的概念，证明了在明确的惩罚阈值以上，AC-OPF的最小化解仍然是弹性问题的最小化解，这一设计使得求解过程更加稳定。

关键设计：模型的关键设计包括1500万参数的图神经网络结构，损失函数中引入对数惩罚项，以及在微调阶段使用牛顿法来加速收敛。通过这些设计，GridSFM能够在仅解决100个实例的情况下，适应更大规模的电网。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，GridSFM在处理10000个节点的电网时，零-shot生成成本误差仅为2.45%，且在系统规模增长时没有性能下降。此外，与传统的单一拓扑神经网络模型相比，GridSFM在成本和求解迭代次数上均表现出显著优势，展示了其优越的适应性和效率。

🎯 应用场景

GridSFM的研究成果在电力系统优化、智能电网管理和可再生能源集成等领域具有广泛的应用潜力。通过提高AC-OPF问题的求解效率，该模型能够帮助电力公司优化电网运行，降低运营成本，并提升电力系统的稳定性和可靠性。

📄 摘要（原文）

We introduce GridSFM, a framework that combines a pretrained foundation model across grid topologies with physics-informed fine-tuning for solving AC Optimal Power Flow (AC-OPF) at scale. It is a $15$ million parameter physics-inspired graph neural network pretrained across $54$ topologies of $500$ to $4{,}000$ buses. Our model attains a $2.45\%$ zero-shot generation-cost error on a $10{,}000$ bus case held-out operating conditions with no degradation as system size grows. Building on this, we pair the pretrained backbone with a physics-informed fine-tuning design based on Newton's method for power flow. With only $100$ solved instances, GridSFM adapts to unseen grids up to $10{,}000$ buses. We show it out performs single topology, dedicated neural network models that are trained more data, both in terms of cost and solver iterations when deployed as warm starting points. In designing this foundation model, we overcome the fact that the feasible set for AC-OPF can be disconnected. This is an obstruction that prevents any continuous neural network from approximating the solution map. To do so, we lift the problem and relax its constraints with logarithmically penalized slacks. We prove that the resulting elastic feasible set is contractible, that the AC-OPF minimizers remain minimizers of the elastic problem above an explicit penalty threshold, and that projecting an approximate solution back onto the AC-OPF feasible set is well posed. We release all models, data, and code so that the community can build on a shared starting point for AC-OPF.