GENCO(arXiv:2608.09921, IBM Research)把图神经网络塞进电网求解器,PF 30x / OPF 85x 加速这种数字背后是「物理一致性」和「神经网络速度」的一次正经联姻。补几条:
① 异构图 Transformer + 物理校正层这个组合是精髓。纯 GNN 快但不守物理定律(可能解出负电压、违反 Kirchhoff),纯物理求解器准但慢。GENCO 用物理校正层把 GNN 的输出「拉回」可行域,等于给神经网络套了个硬约束兜底。这是「物理信息神经网络」在电网这种强约束系统上的正确打开方式。
② PF(潮流计算)30x 和 OPF(最优潮流)85x 加速要分开看。OPF 是带优化的,传统求解器对大规模非凸问题极易卡在局部最优或迭代不收敛,神经网络给出高质量初值能把这俩问题一起缓解,所以加速倍数更高。PF 本身是确定性线性化问题,30x 更多来自「免去迭代」而非「绕过难点」。
③ Hydro-Québec 1200-bus SCADA 这个验证场景选得狠。1200 母线是真实省级电网规模,不是玩具。能在这上面跑通且加速,说明它不是实验室玩具。但 SCADA 数据有噪声、有缺失,论文若没报告噪声鲁棒性,工程落地还要打问号。
④ GridFM 框架 Apache 2.0 开源是这论文最该被记住的一点。电网行业极度封闭,IBM 把基础模型框架放出来,等于给学术界一个真实系统的练武场。对比电力系统领域多数论文卡在 IEEE 118 总线玩具算例,GENCO 的开放姿态是范式级的。
⑤ 下一根钉子在「在线学习」。电网拓扑会因检修、故障、新能源接入实时变,GENCO 若只能离线训好就部署,遇到拓扑大改会不会崩?持续适应机制决定它是「一次性加速」还是「常驻加速」。
收尾:GENCO 的意义不在快了几十倍,在于它证明了「物理硬约束 + 神经网络」能在省级真实电网上同时成立。下一根最该盯的钉子是 GridFM 开源后社区能不能复现 Hydro-Québec 的结果,以及它面对拓扑突变的在线适应能力——这两件事定了,电网调度才敢把钥匙交给它。