LUMINA: Foundation Models for Topology Transferable ACOPF
作者: Yijiang Li, Zeeshan Memon, Hongwei Jin, Stefano Fenu, Keunju Song, Sunash B Sharma, Parfait Gasana, Hongseok Kim, Liang Zhao, Kibaek Kim
分类: cs.LG
发布日期: 2026-03-04
💡 一句话要点
LUMINA：用于拓扑可迁移ACOPF的基础模型框架
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 基础模型 交流最优潮流 电力系统 拓扑可迁移 约束优化
📋 核心要点
- 现有方法难以在满足物理定律和安全限制的前提下，构建可泛化的科学计算基础模型。
- LUMINA框架通过系统研究ACOPF问题，提炼出三个设计原则，指导构建满足约束的科学基础模型。
- 实验验证了LUMINA框架在学习物理不变表示、确保约束满足和高影响场景可靠性方面的有效性。
📝 摘要（中文）
基础模型通常通过学习跨问题实例的可重用表示来加速科学计算，但受约束的科学系统（其中预测必须满足物理定律和安全限制）对传统训练范式提出了独特的挑战。本文通过对交流最优潮流（ACOPF）的系统研究，推导出约束科学基础模型的设计原则，ACOPF是电力网运行中的一个代表性优化问题，其中功率平衡方程和运行约束是不可协商的。通过跨架构、训练目标和系统多样性的受控实验，我们提取了三个基于经验的原则，用于指导科学基础模型的设计。这些原则描述了三个设计权衡：学习物理不变表示同时尊重系统特定约束，优化精度同时确保约束满足，以及确保在高影响运行状态下的可靠性。我们提出了LUMINA框架，包括数据处理和训练流程，以支持在科学应用中对物理信息、可行性感知的基础模型进行可重复的研究。
🔬 方法详解
问题定义：论文旨在解决交流最优潮流（ACOPF）问题，这是一个电力系统运行中的关键优化问题。现有的机器学习方法在解决ACOPF问题时，往往难以保证预测结果满足严格的物理定律（如功率平衡）和安全约束（如线路容量限制），导致模型在实际应用中不可靠。此外，现有方法通常针对特定电力网络拓扑结构进行训练，难以泛化到新的网络拓扑结构。
核心思路：论文的核心思路是构建一个拓扑可迁移的ACOPF基础模型，该模型能够学习到与网络拓扑结构无关的物理规律表示，并能够有效地满足各种约束条件。通过精心设计的训练目标和网络架构，模型能够在不同的电力网络拓扑结构上实现良好的泛化性能，并保证预测结果的物理可行性。
技术框架：LUMINA框架包含数据处理和训练流程两个主要部分。数据处理部分负责生成用于训练的ACOPF问题实例，并对数据进行预处理，例如归一化。训练流程部分则使用预处理后的数据训练基础模型。该模型采用一种深度神经网络架构，例如图神经网络或Transformer网络，用于学习电力系统的状态表示。训练过程中，模型需要同时优化预测精度和约束满足程度。
关键创新：论文的关键创新在于提出了三个设计原则，用于指导约束科学基础模型的构建：1) 学习物理不变表示，同时尊重系统特定约束；2) 优化精度，同时确保约束满足；3) 确保在高影响运行状态下的可靠性。这些原则为构建可靠且可泛化的科学计算基础模型提供了理论指导。
关键设计：LUMINA框架的关键设计包括：1) 使用图神经网络或Transformer网络作为基础模型架构，以捕捉电力系统的拓扑结构信息；2) 设计定制化的损失函数，同时考虑预测精度和约束满足程度，例如使用拉格朗日乘子法将约束条件融入损失函数中；3) 采用数据增强技术，例如生成具有不同网络拓扑结构的ACOPF问题实例，以提高模型的泛化能力；4) 针对高影响运行状态（例如系统负荷高峰期）进行专门的训练，以提高模型的可靠性。
🖼️ 关键图片
📊 实验亮点
论文通过实验验证了LUMINA框架的有效性。实验结果表明，LUMINA框架能够在不同的电力网络拓扑结构上实现良好的泛化性能，并能够有效地满足各种约束条件。与传统的优化算法相比，LUMINA框架能够显著提高ACOPF问题的求解速度，同时保证解的质量。具体性能数据未知，但强调了泛化性和求解速度的提升。
🎯 应用场景
该研究成果可应用于电力系统运行优化、规划设计和风险评估等领域。通过构建拓扑可迁移的ACOPF基础模型，可以显著提高电力系统运行的效率和可靠性，降低运行成本，并为电力系统的智能化发展提供有力支撑。此外，该研究提出的设计原则也为其他约束科学计算问题的基础模型构建提供了借鉴。
📄 摘要（原文）
Foundation models in general promise to accelerate scientific computation by learning reusable representations across problem instances, yet constrained scientific systems, where predictions must satisfy physical laws and safety limits, pose unique challenges that stress conventional training paradigms. We derive design principles for constrained scientific foundation models through systematic investigation of AC optimal power flow (ACOPF), a representative optimization problem in power grid operations where power balance equations and operational constraints are non-negotiable. Through controlled experiments spanning architectures, training objectives, and system diversity, we extract three empirically grounded principles governing scientific foundation model design. These principles characterize three design trade-offs: learning physics-invariant representations while respecting system-specific constraints, optimizing accuracy while ensuring constraint satisfaction, and ensuring reliability in high-impact operating regimes. We present the LUMINA framework, including data processing and training pipelines to support reproducible research on physics-informed, feasibility-aware foundation models across scientific applications.