随着新能源大规模接入，电网调度需要更快地兼顾安全与经济性。交流最优潮流（AC-OPF）是电力系统运行和市场调度中的关键计算问题，但其非凸、非线性特征使传统求解器在大规模、实时场景下面临速度瓶颈。神经网络虽能加快求解，如何确保输出严格满足物理约束仍是难点。
针对上述问题，上海科技大学信息学院与2060研究院联合团队提出FPL-OPF无监督学习框架，在神经网络中引入快速物理感知层（Fast Physics-aware Layer），以更低的计算开销兼顾潮流方程可行性与求解质量。相关成果以“Unsupervised Learning for AC Optimal Power Flow with Fast Physics-Aware Layer”（基于快速物理感知层的交流最优潮流无监督学习）为题，发表于第17届ACM未来与可持续能源系统国际会议（ACM e-Energy 2026: The 17th ACM International Conference on Future and Sustainable Energy Systems）。该成果体现上海科技大学在人工智能与能源系统交叉方向的跨院协同，也为高比例可再生能源接入背景下的快速电网分析和实时调度提供新的技术路径。
图1：FPL-OPF总体架构。框架先快速逼近潮流解，再将少量精化步骤纳入自动微分计算图，以降低梯度计算开销。
FPL-OPF将求解分为“快速导引”和“高精度精化”两个阶段：先利用快速解耦潮流（FDPF）迭代使预测接近潮流解，再将最后一步牛顿-拉夫逊迭代或少量FDPF迭代纳入自动微分计算图。该设计避免完整反向展开和手工雅可比求逆，降低训练与存储开销；理论分析表明，所得近似梯度在温和条件下可保持可靠的下降方向。
图2：FPL-OPF与基准方法在四个电网系统上的训练与推理时间对比。
IEEE 57、PEGASE 89、IEEE 118、NESTA 189及PGLib-500等系统上开展的实验结果表明，FPL-OPF在保持近乎为零的等式约束偏差和具有竞争力的最优性的同时，显著缩短训练与推理时间——在IEEE 118和NESTA 189节点系统上，推理分别加速约730倍和1244倍；在500节点系统上仍实现超过1100倍加速，最优性差距为0.35%。该框架兼顾求解速度、物理可行性、经济性与可扩展性，为快速电网分析和实时调度提供了新的技术路径。
本工作由上海科技大学信息科学与技术学院、2060研究院和上海大学合作完成。上海科技大学张结宝、严浩宇为论文共同第一作者，信息科学与技术学院石野助理教授为通讯作者，2060研究院叶爽研究员为论文合作作者。
论文题目：Unsupervised Learning for AC Optimal Power Flow with Fast Physics-Aware Layer
沪公网安备 31011502006855号