生成式与确定性深度学习模型用于快速潮流计算预测的对比分析

《Energy and AI》：Comparative analysis of generative and deterministic deep learning models for fast power flow prediction

　　

现代电力电网的可靠运行依赖于及时的潮流(power flow)分析，即在特定运行条件下计算全网稳态电压与功率潮流。虽然成熟的迭代数值方法在实践中精度较高，但其计算复杂度对大规模网络构成挑战；此外，用电需求增长及数据中心等新型负荷带来的网架结构复杂化，促使研究者探索更快的替代计算框架（如基于学习的模型）。本研究对比了确定性架构（推理阶段输入到输出的映射完全确定）与生成式(generative)机器学习架构，以确定该预测任务中最有效的统计方法。研究采用多层感知机(Multilayer Perceptron, MLP)、条件生成对抗网络(Conditional Generative Adversarial Network, cGAN)和条件变分自编码器(Conditional Variational Autoencoder, cVAE)，并使用拓扑感知(topology-aware)电网表征进行评估。在未见测试配置上的定量结果表明：MLP的均方根误差(Root Mean Square Error, RMSE)为0.076875，Kolmogorov–Smirnov距离为0.115846；cGAN的平均绝对误差(Mean Absolute Error, MAE)为0.031281，平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)为314.573；cVAE的MAE为0.141746，RMSE为0.234046。最终对比显示，确定性架构通过均值回归(mean-reverting)估计在最小化大点向误差方面表现优异，而生成对抗网络是保留高频统计方差和电网动态真实分布的必要手段。使用真实PJM运行数据进行的额外外部验证表明，仅基于合成GridOPT场景训练的模型在未见运行动态下仍能保持稳定的预测行为。

《生成式与确定性深度学习模型用于快速潮流计算预测的对比分析》论文解读

《Comparative analysis of generative and deterministic deep learning models for fast power flow prediction》发表于《Energy and AI》，该研究针对现代电力系统可靠运行所依赖的潮流（Power Flow, PF）分析中传统数值方法（如牛顿-拉夫逊法 Newton–Raphson）计算负担重、难以满足实时监测与控制毫秒级响应需求的问题，开展了一项对比研究。随着高比例可再生能源接入及负荷特性复杂化，电网运行条件呈现强动态性与不确定性，传统物理模型在大规模互联系统中计算耗时较长。为此，研究人员将潮流快速预测建模为有监督序列到序列（sequence-to-sequence）问题，系统比较了确定性深度神经网络（多层感知机 Multilayer Perceptron, MLP）与生成式模型（条件生成对抗网络 Conditional Generative Adversarial Network, cGAN 及条件变分自编码器 Conditional Variational Autoencoder, cVAE）在引入拓扑 aware（拓扑感知）特征表征下的预测性能、泛化能力及统计特性差异，并在未见电网拓扑及真实运行数据上验证模型鲁棒性。

主要关键技术方法：

研究人员采用GridOPT合成数据集（基于IEEE 118总线系统，含不同负荷波动、发电机调度及网络拓扑变化场景），按文件夹划分为15个训练组与5个未见测试组，实施跨拓扑(cross-topology)评估。输入为各母线(bus)历史有功P与无功Q序列（占总时序75%），输出为未来时段（占25%）的P、Q预测值。采用拓扑感知表征融入电网连接结构信息；数据归一化统计量仅由训练集计算并应用于测试集以防信息泄露。对比模型包括：①确定性的三层全连接MLP（ReLU激活，MSE损失）；②cVAE（GRU编码器输出潜变量z~N(μ,σ²)并经重参数化(reparameterization trick)，GRU解码器，损失为L₁重构项+β·D_KL，β=10^-3）；③cGAN（GRU生成器以归一化历史序列与随机噪声z~N(0,I)生成未来序列，GRU判别器判断(past, future)真伪，损失为对抗项+λ·L₁重构项，λ=100）。所有模型用Adam优化器（学习率10^-3，批次64，每文件夹50轮）于PyTorch/CUDA实现。另采用真实PJM负荷数据作外部鲁棒性验证，视各负荷区为伪母线(pseudo-bus)，按功率因数pf=0.95近似求Q。

研究结果：

5.1. Performance analysis of the baseline MLP（MLP基线性能分析）

研究人员将各bus过去窗口展平后送入MLP做确定性回归，以MSE为损失。训练损失曲线显示MLP较早收敛随后饱和。在未见测试文件夹上，MAE=0.038186，RMSE=0.076875，KS(Kolmogorov–Smirnov)=0.115846，MAPE因近零目标值虚高至1300.461。定性分析显示MLP能捕捉主导趋势，但因均值回归产生过平滑(over-smoothing)预测，对高频动态（尤其无功Q）表征不足，但大模型误差(outlier)较小。

5.2. Performance analysis of the conditional GAN (cGAN)（条件生成对抗网络性能分析）

cGAN生成器以归一化历史序列X?与随机噪声z生成?=G(X?,z)，判别器D对(past, future)真假打分，目标函数含对抗损失与L₁重构项(λ=100)。对抗损失有界且指标稳定，表明最小-最大博弈较均衡。测试结果为MAE=0.031281（三者最低），RMSE=0.082775，KS=0.135295，MAPE=314.573。定性上cGAN因引入随机噪声z能产生含更丰富时序变化、较少过平滑的轨迹，且生成样本处于合理运行范围内。虽RMSE略高于MLP，但在保留高频统计方差上优于确定性模型。

5.3. Performance analysis of the conditional VAE (cVAE)（条件变分自编码器性能分析）

cVAE编码器接收(X?, ?)输出潜空间参数(μ, log σ²)，经重参数化采样z=μ+σ⊙ε(ε~N(0,I))送入GRU解码器重构，损失=L₁(?,?)+β·D_KL(N(μ,σ²)‖N(0,I))，β=10^-3。KL散度有界无后验坍塌(posterior collapse)。测试结果为MAE=0.141746，RMSE=0.234046，KS=0.176827，MAPE=11822.343。cVAE输出轨迹平滑且跟踪长期趋势较好，但受KL正则约束倾向于均值回归，点对点精度不及MLP与cGAN。

5.4. Overall comparison（整体对比）

聚合测试指标汇总显示：MLP获最佳RMSE(0.076875)与最小KS距离(0.115846)，表明其大误差少且预测分布与真值分布最接近；cGAN获最佳MAE(0.031281)，说明平均绝对偏差最小且能更好保留动态分布特性；cVAE因潜变量正则化产生较平滑重建，当前超参下点对点误差偏高但仍具稳定优化与显式不确定性建模价值。MAPE因数据含近零值严重膨胀，不宜作为主选指标。

5.5. External real-data robustness evaluation（外部真实数据鲁棒性评估）

仅用合成GridOPT训练的MLP直接应用于变换后的PJM实测负荷数据（视各区域为伪bus，按pf=0.95由P求Q），得MAE=0.456792 GW/GVar，RMSE=1.710301 GW/GVar，MAPE=0.138605，KS=0.060089。预测轨迹分布对齐良好，证明所提框架对未见真实运行动态具稳定泛化能力。

讨论与结论总结：

研究人员指出，确定性MLP与生成式模型间存在统计权衡(trade-off)：MLP因最小化平方误差倾向输出均值回归预测，故RMSE与KS最优（大异常误差小、分布匹配好）；cGAN通过对抗训练与随机采样保留了电网动态的高频统计方差，MAE最低且减轻过平滑，适合需捕捉波动分布之场景；cVAE受KL散度约束产生平滑重建，虽当前 pointwise 精度未及前两者，但提供稳定优化与显式不确定性建模。各模型MAPE因近零目标产生数值不稳定，建议过滤后再用。本工作首次在拓扑感知表征下系统比较确定性与生成式范式于跨拓扑潮流快速预测中的表现，并结合真实PJM数据验证外推鲁棒性，为后续引入物理信息约束(physics-informed constraints)及全AC可行性校验奠定基础。未来方向含细化生成模型超参、融合物理知情损失函数、采用图神经网络(Graph Neural Network, GNN)及开展专门拓扑消融研究。

原文结论译文：本研究对现代电网快速潮流预测中高级机器学习模型（含cGAN及cVAE）进行了对比调查，重点评估其对未见电网拓扑的泛化能力。所用拓扑感知特征表征有助于构建更具物理信息的预测模型以提升跨工况与跨拓扑泛化性。仅基于合成GridOPT场景训练的框架在真实PJM运行数据上仍保持稳定的预测行为。数值结果显示：MLP的RMSE达0.076875、KS距离为0.115846；cGAN的MAE为0.031281，反映出更丰富的定性动态与减轻的过平滑现象；cVAE的MAE为0.141746、RMSE为0.234046。尽管cVAE在当前训练设置下精度暂未匹及另两模型，但其因稳定优化与显式不确定性建模仍具参考价值。