Hopp til hovedinnhold

Onsdag 7. oktober

 Tilbake Forskning 3 min 22.20

Microsoft GridSFM løser strømflyt 1000 ganger raskere enn klassisk solver

onsdag 13. mai · KI-generert · Kilde: Microsoft Research Blog

Innholdet er KI-generert og kan inneholde feil. Sjekk originalkilden.

Approksimerer AC optimal strømflyt på millisekunder med en liten foundation-modell trent på 150+ basetopologier og rundt en halv million scenarier.

Strømnettet sliter med ny etterspørsel, fornybar integrasjon og elektrifisering av transport. Operatørene har det samme kjernespørsmålet uansett scenario: hva er det optimale arbeidspunktet som holder nettet i drift? Det er et ikke-konvekst optimeringsproblem som tradisjonelt løses med solvere som IPOPT, og som styrer beslutninger på skalaen 20 milliarder dollar i årlige flaskehalstap og 3,4 TWh fornybar produksjon som ellers kuttes.

Microsoft slipper GridSFM som svar. Det er ett enkelt nevralnett som approksimerer AC-OPF på millisekunder over grids fra 500 til 80 000 buses. Inputen er standard AC-OPF-data (topologi, generatorer, last, linjebegrensninger), outputen er et operasjonspunkt og en feasibility-dom. Modellen er en blokk-strukturert diskret nevral operator som behandler nettet som en rettet graf, trent med både solver-supervision og fysikkbaserte loss-funksjoner som straffer brudd på Kirchhoffs lover og termiske grenser.

«GridSFM-Open havner i samme nøyaktighetsklasse som DC-tilnærming på standalone dispatch-kostnad, men produserer et reelt AC-arbeidspunkt med spenninger og reaktiv effekt.» > — Microsoft Research Blog

For deg som bygger foundation-modeller for fagspesifikke domener er generaliseringseksperimentet det interessante. På et 6 470-buses grid modellen aldri hadde sett, droppet kostnadsavviket fra 14 prosent zero-shot til 1,12 prosent etter ti epoker fine-tune på tusen scenarier. Bare ti scenarier ga 1,76 prosent kostnadsavvik og 92 prosent feasibility-deteksjon. Mønsteret er det samme som vi ser med språkmodeller: pre-training fanger fysikken, fine-tuning er kalibrering, ikke relæring.

Nøkkeltall
1000×
Raskere enn full AC-solver per inferenssteg
80 000 buses
Største grid GridSFM-Premier dekker
2,23 %
Median kostnadsavvik mot ground truth på 54-grids testsett
1,12 %
Kostnadsavvik etter 10 epoker fine-tune på et helt nytt grid

Hva bør du gjøre?

  1. Last ned GridSFM-Open og det åpne transmisjons-datasettet hvis du eksperimenterer med foundation-modeller for fysikk- eller graf-domener.
  2. Bruk modellen som drop-in alternativ til lineariserte approksimasjoner i ditt eget domene. Microsofts poeng er at GridSFM erstatter DC-OPF i samme nytte-slot, ikke at den slår full AC-OPF.
  3. Test warm-start-arbeidsflyten: kjør modellen først, mat forutsigelsen inn i den klassiske solveren som startgjettning. Geomean 1,66× speedup mot kald start i Microsofts eksperimenter.

Bakgrunn

Open-tieren (GridSFM-Open) er for grids opp til 4 000 buses og slippes for forskningsbruk i dag. GridSFM-Premier opp til 80 000 buses er ikke del av åpen-utgivelsen. Microsoft tar henvendelser på gridFM@microsoft.com. Den åpne kildekoden, vektene og datasettet bygger på et amerikansk transmisjons-datasett Microsoft slapp tidligere.

Pulsen · norske KI-nyheter for deg som bygger. Sakene er KI-generert fra originalkilden, som alltid lenkes.