CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations

最优潮流（OPF）涉及一系列相关的优化问题，旨在高效且安全地运行电力系统。在最简单的情况下，OPF确定发电量以最小化成本，同时满足电力需求和物理和操作约束。即使在最简单的情况下，电网运营商也会使用AC-OPF问题的近似解，因为使用最先进的求解器解决确切问题的速度过慢。这些近似牺牲了准确性和操作可行性，以换取速度。这种折衷会导致昂贵的“增值支付”和碳排放增加，特别是对于大型电网而言。在本研究中，我们训练了一个深度学习系统（CANOS），可以预测近似最优解（与真实AC-OPF成本相差不超过1%），而不会影响速度（运行时间仅为33-65毫秒）。重要的是，CANOS可扩展到包含多达10,000个母线的现实网格，并具有有前途的实证结果。最后，由于CANOS是一个图神经网络，它对拓扑变化具有鲁棒性。我们展示了CANOS在通常用于安全约束分析的基础网格的N-1拓扑扰动下具有准确性。这为更高效地优化更复杂的OPF问题铺平了道路，例如改变网格连接的机组组合，拓扑优化和安全约束OPF。

本论文旨在解决电力系统中的最优潮流问题（OPF），通过训练一个深度学习模型来预测接近最优解，同时保持速度快的特点。

本论文的关键思路是使用一个图神经网络模型（CANOS）来预测最优解，通过在大规模电网数据上的实验表明该模型在速度和准确性上都表现出色，并且具有很好的可扩展性和鲁棒性。

本论文的实验结果表明，CANOS模型可以在保证准确性的前提下，显著提高计算速度，同时具有很好的可扩展性和鲁棒性。此外，该模型还在N-1拓扑扰动的情况下表现出色，为更复杂的OPF问题的优化提供了新思路。

在相关研究方面，最近也有一些关于OPF问题的深度学习研究，例如《Deep Learning for Optimal Power Flow: A Review》、《A Deep Learning Approach for Solving the Optimal Power Flow Problem》等。