Neues GNN-Framework kombiniert Flow Matching für optimale Stromnetzplanung

Ein neues zweistufiges Lernverfahren vereint Graph Neural Networks (GNNs) mit Continuous Flow Matching (CFM), um das DC-Optimal Power Flow (DC-OPF)-Problem schnell und exakt zu lösen. Durch die Einbettung physikalischer Gesetze – wie Kirchhoffschen Regeln, wirtschaftlicher Dispatch-Optimalitätsbedingungen und der Karush‑Kuhn‑Tucker‑Komplementaritätsbedingungen – in die Trainingsziele erzeugt die Methode zunächst zulässige Ausgangslösungen.

Im zweiten Schritt nutzt CFM eine simulationsfreie, kontinuierliche Normalisierungsflusstechnik, um die GNN-Ausgabe mittels regressierter Vektorfelder zu verfeinern. Das Ergebnis sind nahezu optimale Lösungen, die gleichzeitig sämtliche Netzbeschränkungen erfüllen.

Auf dem IEEE‑30-Bus-System, getestet bei fünf Lastprofilen von 70 % bis 130 % der Nennlast, liegen die Kostenabweichungen unter 0,1 % bei nominalen Lasten und unter 3 % bei Extremsituationen – und die 100 %‑Feasibility bleibt erhalten. Damit schließt das neue Framework die Lücke zwischen schnellen, aber ungenauen neuronalen Vorhersagen und langsamen, aber optimalen numerischen Solver‑Ansätzen.