Modelli Fondazionali Eterogenei Scalabili per il Flusso di Potenza Ottimale Basato sui Dati nelle Reti Intelligenti

Questo articolo presenta un workflow scalabile per reti neurali grafiche eterogenee (GNN) finalizzato alla modellazione surrogata del flusso di potenza ottimale (OPF) basata sui dati e allo sviluppo di modelli fondazionali. Sfruttando HydraGNN, il workflow mantiene i tipi unici di nodi e archi presenti nelle reti elettriche—come bus, generatori, carichi, shunt, linee AC, trasformatori e connessioni dispositivo-bus—e facilita la preelaborazione distribuita, l'addestramento, l'ottimizzazione degli iperparametri (HPO) e il successivo fine-tuning su supercomputer di alto livello. Utilizzando tre milioni di istanze di grafi eterogenei in dieci scenari PGLib-OPF (da 14 a 13.659 bus), l'HPO guidato da DeepHyper è stato eseguito sul supercomputer ORNL. Questa metodologia supera le sfide affrontate dagli attuali surrogati basati sull'apprendimento che semplificano le strutture di rete o sono vincolati da topologie limitate e scalabilità per l'addestramento di modelli grafici, con l'obiettivo di fornire approssimazioni OPF rapide e affidabili per le operazioni delle reti intelligenti.