GridSFM：用于求解交流最优潮流的基础模型

arXiv 论文提出 GridSFM，将跨电网拓扑预训练的基础模型与物理信息微调结合，用于大规模求解 AC-OPF。模型为 1500 万参数的物理启发图神经网络，在 54 个 500 至 4000 节点拓扑上预训练，在 10000 节点留出工况下零样本发电成本误差为 2.45%，且随系统规模扩大未见退化。仅用 100 个已求解实例微调后，可迁移到最高 10000 节点的新电网，并在成本与求解迭代次数上优于单拓扑专用模型。作者开源模型、数据与代码。

此前求解 AC-OPF 的神经网络通常针对单一拓扑训练，换电网需重新训练，规模扩大后精度易下降。GridSFM 展示跨拓扑预训练加少量样本微调即可迁移到未见电网，并可作为热启动点减少求解迭代，改变了神经网络方法的复用方式。

AC-OPF 可行集可能不连通，导致任何连续神经网络无法逼近解映射。作者通过提升问题并用对数惩罚松弛约束，构造出可收缩的弹性可行集，并证明在明确惩罚阈值以上 AC-OPF 最优解仍是弹性问题最优解，且近似解可良定义地投影回原可行集。这为连续模型学习解映射提供了理论条件。

对电力系统规划与调度类产品，可用预训练模型加少量本地已求解样本适配新电网，降低为每个拓扑单独训练模型的成本；作为热启动点可减少求解器迭代，利于大规模场景的在线计算。开源模型与代码降低了复现与集成门槛。

• 将 GridSFM 作为热启动模块接入现有 AC-OPF 求解流程，测试目标电网上的迭代次数与总耗时变化。
• 基于开源的模型、数据与代码，用本地电网的少量已求解实例做物理信息微调，验证迁移精度与所需样本量。
• 在电网规划或调度软件中提供跨拓扑预训练模型作为默认初始化选项，减少每张电网单独训练模型的工作量。

• 2.45% 零样本发电成本误差在实际调度允许的误差范围内是否可接受？
• 100 个已求解实例的微调方法在何种电网类型和运行条件下仍能保持成本与迭代优势？
• 弹性松弛与投影步骤在部署时是否会引入额外计算开销或数值稳定性问题？
• 论文结果尚未经独立复现或第三方基准验证。