Gradient-Free Topology Adaptation for Power Flow Surrogates via In-Context Whitening

Technische Samenvatting: Gradiëntvrije Topologie-adaptatie voor Power Flow Surrogaten via In-Context Whitening

Probleemstelling
Door machine learning gebaseerde surrogaten voor het Alternating Current Power Flow (ACPF) probleem bieden significante computationele versnellingen ten opzichte van traditionele Newton–Raphson load flow (NRLF) oplossers wanneer zij opereren op een vaste netwerktopologie. Echter, deze modellen lijden onder een ernstige "operator shift" wanneer de netwerktopologie verandert door lijnuitval (N-k contingenties). Omdat de bus-admittantiematrix ($Y_{bus}$) de input-output mapping definieert, verandert een wijziging in de topologie de onderliggende fysieke operator. Bijgevolg ervaart een surrogaat die getraind is op een basis-topologie een distributionele verschuiving in zijn outputruimte, wat leidt tot een nauwkeurigheidsdegradatie van één tot twee ordes van grootte bij ongeziene N-1 of N-2 contingenties.

Bestaande oplossingen vertrouwen doorgaans op gradiënt-gebaseerde adaptatie (fine-tuning of hertraining) met behulp van data van de doel-topologie. Hoewel effectief, brengen deze methoden hoge computationele kosten met zich mee vanwege de noodzaak van per-topologie optimalisatie en datageneratie. Bovendien worstelen zelfs graaf-gebaseerde surrogaten (bijv. GNN's) die de netwerkgraaf expliciet binnenvoeren, met extrapolatie naar ongeziene topologieën zonder distributionele uitlijning, aangezien hun message-passing gewichten zijn aangepast aan specifieke trainings-load-graaf interacties.

Methodologie: In-Context Whitening (ICW)
De auteurs stellen In-Context Whitening (ICW) voor, een gradiëntvrije, gewichts-vrije en architectuur-agnostische adaptatiemethode. De kerninzicht is dat de door topologieveranderingen geïnduceerde operator shift gecorrigeerd kan worden door de laag-orde statistische momenten van de outputdistributie uit te lijnen, in plaats van de modelgewichten te hertrainen.

1. Trainingsfase (Basis-topologie):
   Het surrogaatmodel $f_w$ wordt getraind om ACPF-oplossingen te voorspellen in een ge-whitened outputruimte in plaats van in fysieke eenheden. De trainingsdoelen $y$ worden getransformeerd naar $z$ met behulp van een whitening matrix $W_{base}$, afgeleid van de eerste twee momenten (gemiddelde $\mu$ en covariantie $\Sigma$) van de oplossingdistributie van de basis-topologie. Het model leert de mapping $f_w: x \to z$.

2. Inferentiefase (Ongeziene Topologie):
   Wanneer een nieuwe contingentie (N-k) optreedt, blijven de modelgewichten $w$ bevroren. In plaats daarvan wordt een kleine set opgeloste ACPF-gevallen (een "context set" van enkele honderden samples) verzameld van de nieuwe topologie.

   • Statistische Her-schatting: Het gemiddelde ($\bar{y}_{ctx}$) en de covariantie ($\hat{\Sigma}_{ctx}$) worden berekend vanuit deze context set.
   • Adaptieve Transformatie: Een nieuwe whitening matrix $W_{ctx}$ wordt geconstrueerd. Het paper bewijst dat ZCA (Zero-Component Analysis) whitening de unieke affine transformatie is die de vervorming van fysieke coördinaten minimaliseert terwijl aan de whitening-voorwaarde wordt voldaan.
   • Voorspelling: Het bevroren model voorspelt $\hat{z} = f_w(x)$. Deze output wordt teruggekaart naar fysieke eenheden met behulp van de inverse van de context-specifieke transformatie: $\hat{y} = W_{ctx}^{-1}\hat{z} + \bar{y}_{ctx}$.

3. Theoretische Rechtvaardiging:
   De auteurs beperken de adaptatie tot affine transformaties om computationele efficiëntie en het bestaan van een gesloten vorm inverse te garanderen. Zij bewijzen dat ZCA whitening de optimale keuze is onder alle geldige whitening matrices om de coördinaat-gewijze semantiek van fysieke grootheden (bijv. voltagesignaturen, hoeken, vermogensinjecties) te behouden. Zij demonstreren verder dat het matchen van de eerste twee momenten (gemiddelde en covariantie) voldoende is; het corrigeren van hogere-orde momenten levert verwaarloosbare extra nauwkeurigheidswinst op, terwijl het aanzienlijk meer data en computationele middelen vereist.

Belangrijkste Bijdragen

• Gradiëntvrije Adaptatie: ICW elimineert de noodzaak voor per-topologie gradiëntstappen, hertraining of architecturale wijzigingen. De adaptatiekosten zijn beperkt tot de verzameling van een kleine context set en een enkele matrixinversie per topologie.
• Optimale Affine Whitening: Het paper vestigt ZCA whitening als de unieke optimale affine transformatie voor het behoud van fysieke coördinaat-semantiek in power flow surrogaten.
• Efficiëntie en Schaalbaarheid: De methode kan parallel worden uitgevoerd op standaard CPU-cores, waardoor de noodzaak voor GPU-bronnen per contingentie die nodig is voor gradiënt-gebaseerde fine-tuning wordt vermeden.

Experimentele Resultaten
De methode werd geëvalueerd op IEEE 30-, 118- en 300-bus systemen onder N-1 en N-2 contingenties met behulp van drie verschillende backbone architecturen: MLP, Transformer en PowerFlowNet (PFGNN).

• Nauwkeurigheidswinsten: Vergeleken met (niet-adaptieve) bevroren surrogaten verminderde ICW de totale fout met 6× tot 28× over systemen en backbones. Onder N-2 contingenties bereikten de reducties in fout per grootheid tot wel 54×.
• Vergelijking met Baselines:
  • ICW kwam overeen met of overtrof de nauwkeurigheid van gradiënt-gebaseerde adaptatiemethoden (bijv. TTF-Ensemble) terwijl het 21× tot 34× sneller was in adaptatie.
  • Het presteerde significant beter dan zero-shot methoden (Modular-GP, DeepOPF-FT, PFGNN) die faalden om de operator shift te corrigeren zonder target data.
  • Onder de context-gebruikende methoden behaalde ICW de laagste fout op het 118-bus systeem en competitieve resultaten op het 30-bus systeem, wat aantoont dat volledige covariantie-matching (ZCA) superieur is aan partiële matching (alleen gemiddelde of alleen variantie) voor flat-output backbones.
• Robuustheid: De methode behield een consistente nauwkeurigheid over alle 166 N-1 lijnuitvallen in het 118-bus systeem, waardoor de zware upper-tail foutdistributie die bij bevroren baselines voorkomt, werd voorkomen.
• Context Grootte: De auteurs vonden dat een context grootte van 400 samples voldoende is om het merendeel van de haalbare nauwkeurigheidswinst te vangen, met afnemende meeropbrengsten boven dit punt.

Betekenis
Het paper beweert dat ICW een kritieke bottleneck aanpakt in de topologie-adaptatie van power flow surrogaten: de trade-off tussen nauwkeurigheid en adaptatiekosten. Door het probleem te herformuleren als een statistische uitlijningstaak in de outputruimte, stelt ICW surrogaten in staat om N-k contingenties te behandelen met bijna de nauwkeurigheid van fine-tuning, maar tegen een fractie van de computationele kosten. De auteurs benadrukken dat deze aanpak een snelle, schaalbare implementatie mogelijk maakt in onzekere netomgevingen waar operators duizenden scenario's moeten beoordelen over variërende topologieën zonder de overhead van per-scenario optimalisatie. De methode wordt gepresenteerd als een praktische, "plug-and-play" verbetering die kan worden toegepast op bestaande surrogaat-architecturen zonder hun interne gewichten of structuur te wijzigen.