GridSFM ускоряет расчёт AC‑OPF до миллисекунд для сетей до 80 000 шин

Представлена GridSFM — компактная foundation‑модель, аппроксимирующая задачу AC‑optimal power flow (AC‑OPF) за миллисекунды для сетей масштаба от 500 до 80 000 шин. Модель сразу возвращает оптимизированную рабочую точку и вердикт о выполнимости физических и эксплуатационных ограничений, а также полные AC‑состояния сети, что даёт диспетчерам и планировщикам оперативную видимость конгестии и устойчивости. речь идёт о потенциале сокращения затрат до $20 млрд в год из‑за конгестии и сокращении порядка 3.4 TWh возобновляемой генерации, теряемой из‑за ограничений.

GridSFM принимает стандартные входы AC‑OPF: топологию сети, спецификации генераторов и нагрузок, а также ограничения линий и возвращает рабочую точку, оценку стоимости и вердикт о выполнимости. Кроме приближённой оценки диспетчерских решений, модель выдаёт полные AC‑состояния, то есть комплексную картину напряжений и потоков в сети — это даёт прямую информацию о зонах перегрузки, устойчивости режимов и общем «здоровье» системы без дорогих численных прогонов.

Архитектурно модель построена как block‑structured discrete neural operator: сеть представлена ориентированным графом, где вершины — шины и генераторы, а рёбра — трансмиссии и AC‑линии. Обучение сочетает супервизию от численного решателя (IPOPT в PowerModels.jl) с регуляризующими штрафами за нарушение физических законов (например, уравнения Кирхгофа) и эксплуатационных ограничений, включая тепловые лимиты. Такая настройка позволяет модели обучаться как на выполнимых, так и на невыполнимых режимах и снижать вероятность выдачи физически некорректных результатов.

Для разных задач доступны две конфигурации: «Open for research» — рассчитана на сети до 4 000 шин, и «Premier for production» — для систем до 80 000 шин; в целом заявленный диапазон работы модели — 500–80 000 шин. Заявленное время вывода результатов измеряется в миллисекундах, что снимает традиционное вычислительное узкое место и позволяет анализировать значительно больше сценариев в реальном времени по сравнению с классическими численными методами. Практическое значение GridSFM вытекает из высокой сложности и невыпуклости AC‑OPF: в реальных сетях решение таких задач может занимать часы, что вынуждает выбирать между небольшим числом тщательно подобранных сценариев и быстрыми, но менее физично точными приближениями. GridSFM устраняет это ограничение и открывает путь к массовой проактивной оптимизации вместо реактивного управления.

в основе GridSFM также лежит ранее опубликованный открытый набор топологий магистральных сетей США.