GENCO - A Unified Neural Solver Embedded in a Development Framework for Steady-State Grid Analysis
作者: Alban Puech, Matteo Mazzonelli, Tamara R. Govindasamy, Mangaliso Mngomezulu, Héctor Maeso-García, Thomas Tolhurst, Javad Bayazi, Ali Moeini, Naomi Simumba, Celia Cintas, David Nelischer, Romeo Kienzler, Jonas Weiss, Anna Varbella, Florian Dörfler, Gabriela Hug, Martin Mevissen, Juan Bernabé-Moreno, François Mirallès, Hendrik F. Hamann, Etienne Vos, Thomas Brunschwiler
分类: cs.AI
发布日期: 2026-08-10
💡 一句话要点
提出GENCO以解决稳态电网分析中的多任务问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电力系统分析 神经网络 稳态分析 最优功率流 状态估计 深度学习 开源框架
📋 核心要点
- 现有电力系统分析方法在处理复杂稳态问题时效率低下，尤其在大规模电网中表现不佳。
- GENCO通过统一的神经网络架构，整合了功率流、最优功率流和状态估计任务，提升了求解效率和准确性。
- 在实验中，GENCO在功率流计算上比牛顿-拉夫森法快30倍，且在最优功率流计算上比IPOPT快85倍，表现出色。
📝 摘要（中文）
基础模型正在改变商业工作流程并提升生产力，但在电力系统分析等工程领域仍然缺乏应用。本文提出GENCO（几何神经校正优化器），这是一个统一的神经求解器，能够在单一架构中处理功率流（PF）、最优功率流（OPF）和状态估计（SE）。为支持神经电力系统求解器的进步，我们推出了开源的GridFM开发框架，标准化了合成数据生成和低代码环境下的训练。此外，我们发布了包含数百万个PF和OPF场景的大规模数据集，以支持可重复的基准测试。实验结果表明，GENCO在多个基准测试中表现优异，显著提升了计算速度和准确性。
🔬 方法详解
问题定义：本文旨在解决电力系统稳态分析中的多任务求解问题，现有方法如牛顿-拉夫森法和IPOPT在大规模电网中计算效率低，且难以保证物理一致性。
核心思路：GENCO通过构建一个统一的神经网络架构，能够同时处理功率流、最优功率流和状态估计任务，从而提高计算速度和准确性。该设计旨在利用深度学习的优势，克服传统方法的局限性。
技术框架：GENCO的整体架构包括数据生成模块、神经网络训练模块和求解模块。GridFM开发框架为数据生成和模型训练提供了低代码环境，便于用户快速上手。
关键创新：GENCO的主要创新在于其统一的神经求解器设计，能够在一个模型中处理多个电力系统分析任务，显著提高了计算效率和准确性。与现有方法相比，GENCO在处理复杂电网时表现出更好的鲁棒性和灵活性。
关键设计：在网络结构上，GENCO采用了多层感知机（MLP）和卷积神经网络（CNN）的结合，优化了损失函数以适应不同任务的需求。此外，模型训练过程中使用了大规模合成数据集，以提高模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
在实验中，GENCO在功率流计算上实现了比牛顿-拉夫森法快30倍的速度，同时在最优功率流计算中比IPOPT快85倍，且在状态估计中表现出更高的鲁棒性和准确性。这些结果表明GENCO在电力系统分析中的显著优势。
🎯 应用场景
GENCO的研究成果可广泛应用于电力系统分析、智能电网优化和可再生能源管理等领域。其高效的求解能力将帮助电力工程师更快速地进行系统分析和决策，推动电力行业的数字化转型。未来，GENCO有望成为电力系统分析的标准工具，促进基础模型在工程领域的进一步应用。
📄 摘要（原文）
Foundation models are transforming business workflows and boosting productivity, yet they remain largely absent from engineering domains such as power system analysis, where strict physical consistency must be enforced. We present GENCO (GEometric Neural Corrective Optimizer), a unified neural solver for steady-state transmission grid analysis that handles power flow (PF), optimal power flow (OPF), and state estimation (SE) within a single architecture and shared network representation. To support advances in neural power system solvers, we introduce the open-source GridFM Development Framework, which standardizes synthetic data generation and training in a low-code environment. We also release large-scale datasets with millions of PF and OPF scenarios across diverse grid topologies to support reproducible benchmarking. We evaluate GENCO on the PFDelta and OPFData benchmarks against state-of-the-art neural solvers and classical solvers, including Newton-Raphson and IPOPT, as well as on real-world Hydro-Québec SCADA data. For large-scale PF, GENCO recovers the full AC operating state, including voltage magnitudes and reactive power that DC-PF cannot provide, while matching DC-PF-level active power-balance residuals. It achieves up to 30x speedups over Newton-Raphson at only 2x the runtime of DC-PF. For OPF, it achieves up to 85x speedups over IPOPT while improving feasibility, optimality, and runtime over DC-OPF. For SE, GENCO is more robust than classical weighted least squares to noisy measurements and network parameter errors, and always returns a high-quality estimate even when weighted least squares fails to converge. Together, the unified architecture and development framework provide a new approach to large-scale steady-state grid analysis, lowering the barrier to entry for power system engineers and marking a step toward Grid Foundation Models.