Nuova Architettura di Rete Neurale Ibrida Migliora le Soluzioni per il Flusso di Potenza Ottimale in Corrente Alternata

È stata sviluppata una Rete Neurale a Passaggio di Messaggi Ibrida Eterogenea (HH-MPNN) per affrontare le sfide computazionali nel Flusso di Potenza Ottimale in Corrente Alternata (ACOPF) per reti elettriche su larga scala. I solutori tradizionali spesso richiedono tempi eccessivi per questi calcoli complessi. Gli approcci di apprendimento automatico precedentemente incontravano limitazioni nella scalabilità e nell'adattabilità a diverse configurazioni di rete. L'architettura HH-MPNN combina una rete neurale a grafo eterogenea con un componente transformer e codifiche posizionali basate sulla fisica. Questo design consente la modellazione di elementi distinti del sistema elettrico, catturando sia le caratteristiche locali che le dipendenze a lungo raggio attraverso meccanismi di attenzione globale. I test sui benchmark PGLearn e GridFM-DataKit hanno dimostrato l'efficacia del modello su sistemi che vanno da 14 a 2.000 bus. Per topologie di rete standard, l'approccio ha raggiunto gap di ottimalità inferiori all'1%. L'architettura ha anche mostrato prestazioni solide in scenari di contingenza N-1, dimostrando capacità di generalizzazione zero-shot con gap di ottimalità inferiori al 3%. Questa ricerca affronta limitazioni critiche nei metodi di apprendimento automatico esistenti per l'ottimizzazione dei sistemi elettrici.