論文の概要: GridSFM: A Foundation Model for Solving AC Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2609.30173v1
• Date: Thu, 24 Sep 2026 17:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.159893
• Title: GridSFM: A Foundation Model for Solving AC Optimal Power Flow
• Title（参考訳）: GridSFM:交流最適潮流解析の基礎モデル
• Abstract要約: GridSFMは、グリッドトポロジにまたがる事前訓練された基礎モデルと、AC Optimal Power Flowを大規模に解くための物理インフォームされた微調整を組み合わせたフレームワークである。 我々のモデルは、システムサイズが大きくなるにつれて劣化することなく、1万ドルのバスケースのホールドアウト動作条件に対して、2.45%のゼロショット生成コストエラーを達成した。
• 参考スコア（独自算出の注目度）: 4.332895100581074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 本稿では,AC-OPF(AC-Optimal Power Flow)を大規模に解くために,グリッドトポロジにまたがる事前訓練された基礎モデルと物理インフォームによる微調整を組み合わせたフレームワークであるGridSFMを紹介する。 パラメーターにインスパイアされたグラフニューラルネットワークは、500ドルから$4{,}000ドルのトポロジで544ドル(約5万5000円)で事前訓練されている。 我々のモデルは10,000ドルのバスケースでゼロショット生成コストの誤差を2.45 %で達成し,システムサイズが大きくなるにつれて劣化は生じない。 これに基づいて、トレーニング済みのバックボーンと、ニュートンのパワーフロー法に基づく物理インフォームド微調整設計とをペアリングする。 GridSFMはわずか100ドル(約1万1000円)のインスタンスで、未確認のグリッドに最大10ドル(約10万円)のバスに対応します。 ウォームスタートポイントとしてデプロイされた場合、コストとソルバイテレーションの両方の観点から、より多くのデータをトレーニングした、単一のトポロジ、専用のニューラルネットワークモデルを実行します。 この基礎モデルの設計において、AC-OPFの実現可能な集合が切断可能であるという事実を克服する。 これは、継続的なニューラルネットワークがソリューションマップを近似するのを防ぐ障害である。 そのため、この問題を解き、対数的にペナル化されたスラックスで制約を緩和する。 得られた弾性集合は、収縮可能であり、AC-OPF最小化器は、明示的なペナルティ閾値以上の弾性問題の最小化器のままであり、近似解をAC-OPFの実現可能集合に投影することが十分であることを示す。 我々は、AC-OPFの共有開始点上にコミュニティが構築できるように、すべてのモデル、データ、コードをリリースします。

関連論文リスト

• Improved Mean Flows: On the Challenges of Fastforward Generative Models [81.10827083963655]
  MeanFlow (MF)は、最近ワンステップ生成モデリングのフレームワークとして確立されている。 ここでは、トレーニング目標とガイダンスメカニズムの両方において、重要な課題に対処する。 我々の改革により、より標準的な回帰問題が発生し、訓練安定性が向上する。 全体として、スクラッチから完全にトレーニングされた$textbfimproved MeanFlow$$(textbfiMF$)メソッドは、ImageNet 256$times$256上の単一の関数評価(1-NFE)で$textbf1.72$ FIDを達成する。
  論文  参考訳（メタデータ） (2025-12-01T18:59:49Z)
• Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations [0.7545833157486899]
  最も単純な設定では、OPF (Optimal Power Flow) はコストを最小限に抑えるためにどれだけの電力を生成するかを決定する。 電力グリッド演算子はAC-OPF問題の近似を用いる。 本研究では,計算速度を損なうことなく,準最適解(真のAC-OPFコストの1%)を予測するためのディープラーニングシステム(CANOS)を訓練する。
  論文  参考訳（メタデータ） (2024-03-26T12:47:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。