FSNet 在幾分鐘內找到潛在的電網解決方案，其性能優於經過驗證的工具

管理電網就像試圖解決一個巨大的難題。電網運營商必須確保適量的電力在需要的時間到達正確的區域，並且他們必須以最大限度地降低成本而不使物理基礎設施超載的方式做到這一點。此外，他們必須盡快重複解決這個複雜的問題，以滿足不斷變化的需求。

為了幫助解決這個難題，麻省理工學院的研究人員開發了一種解決問題的工具，它比傳統方法更快地找到最佳解決方案，同時確保該解決方案不會違反任何系統的約束。在電力系統中，約束可以是發電機和線路容量等。

這個新工具將可行性搜索步驟嵌入到旨在解決問題的強大機器學習模型中。可行性搜索階段使用模型的預測作為起點，迭代地完善解決方案，直到找到最佳的可實現答案。

MIT 系統解決複雜問題的速度比傳統求解器快數倍，同時提供可靠的成功保證。對於一些極其複雜的問題，他可以找到比成熟工具更好的解決方案。該方法還優於純機器學習方法，後者速度快，但可能並不總能找到可行的解決方案。

除了幫助規劃電網發電之外，這種新工具還可用於解決多種類型的複雜問題，例如開發新產品、管理投資組合或規劃生產以滿足客戶需求。

“為了解決這些特別具有挑戰性的問題，我們需要結合機器學習、優化和電氣工程工具來開發方法，在為領域提供價值和滿足其要求方面做出正確的權衡。

“你必須以真正滿足這些需求的方式來看待應用程序和設計方法的需求，”電氣工程和計算機科學系 (EECS) 職業發展教授、信息與決策系統實驗室 (LIDS) 首席研究員 Priya Donti 說。

Donthi 是有關 FSNet 新工具的開放獲取論文的高級作者，該論文的主要作者是 EECS 研究生 Hoang Nguyen。該論文將於 12 月 2 日至 7 日在聖地亞哥舉行的神經信息處理系統會議 (NeurIPS 2025) 上發表。目前是 無障礙 在 arXiv 預印本服務器。

組合方法

確保電網中的最佳潮流是一個極其複雜的問題，運營商越來越難以快速解決。

“當我們試圖將更多的可再生能源納入電網時，運營商必須應對發電量會不時變化的事實。同時，還有更多的分佈式設備需要協調，”Donti 解釋道。

網格算子通常依賴於傳統的求解器，它提供數學保證，確保最優解不會違反任何問題的約束。但如果問題特別複雜，這些工具可能需要數小時甚至數天才能找到解決方案。

另一方面，深度學習模型甚至可以在短時間內解決非常複雜的問題，但這種解決方案可能會忽略一些重要的局限性。對於電網運營商來說，這可能會導致電壓水平不安全甚至電網中斷等問題。

“由於訓練過程中會出現許多錯誤，機器學習模型很難跟上所有限制，”Nguyen 解釋道。

對於 FSNet，研究人員將兩種方法的優點結合到一個兩階段的問題解決系統中。

注重可行性

在第一階段，神經網絡預測優化問題的解。大致受到人腦神經元的啟發。 神經網絡 是擅長識別數據模式的深度學習模型。

然後，嵌入 FSNet 中的傳統求解器執行可行性搜索步驟。該優化算法迭代地細化初始預測，確保解決方案不違反任何約束。

由於可行性搜索階段基於問題的數學模型，因此可以確保解決方案可以部署。

“這一步非常重要。在 FSNet，我們可以得到實踐中所需的強有力的保證，”Hoang 說。

研究人員設計 FSNet 來同時解決兩種主要類型的約束（平等和不平等）。這使得它比其他方法更容易使用，其他方法可能需要調整神經網絡或單獨解決每種類型的約束。

“在這裡，您可以即插即用不同的優化求解器，”Donti 說。

她補充道，通過以不同的方式思考神經網絡如何解決複雜的優化問題，研究人員能夠發現一種效果更好的新技術。

他們將 FSNet 與傳統求解器和純機器學習進行比較，以解決一系列複雜問題，包括電力系統優化。與基線方法相比，他們的系統將解決時間縮短了幾個數量級，同時尊重問題的所有約束。

FSNet 還為世界上一些最具挑戰性的問題找到了更好的解決方案。

“雖然這對我們來說是出乎意料的，但卻是有道理的。我們的神經網絡本身可以確定一些原始優化求解器未設計使用的附加數據結構，”Donti 解釋道。

未來，研究人員希望減少 FSNet 的內存佔用，納入更高效的優化算法，並擴展它以解決更現實的問題。

“為複雜的優化問題找到可行的解決方案至關重要，而不是尋找接近最優的解決方案。特別是對於電網這樣的物理系統，接近最優如果沒有可行性就毫無意義。

科羅拉多大學博爾德分校的助理教授凱里·貝克（Kyrie Baker）沒有參與這項工作，他說：“這項工作代表了使深度學習模型能夠做出滿足約束的預測並明確保證滿足約束的重要一步。”

“基於機器學習的優化反復出現的挑戰是可行性。這項工作巧妙地將端到端學習與廣泛的可行性搜索程序結合起來，最大限度地減少平等和不平等的違反。結果非常有希望，我期待看到這項研究的進展，”弗吉尼亞大學助理教授 Ferdinando Fioretto 補充道，他沒有參與這項工作。