GENCO、単一のグラフニューラルネットワークで電力網の3種類の問題を処理、大規模AC潮流計算のスループットを約29倍に向上

IBMやETH Zurich（チューリッヒ工科大学）などのチームは、GENCO（GEometric Neural Corrective Optimizer）とGridFM開発フレームワークを公開し、1つのニューラルアーキテクチャで電力システムの潮流計算（PF）、最適潮流計算（OPF）、状態推定（SE）を処理する試みを進めている。このモデルは、母線、発電機、送電線を異種グラフとして表現する。グラフアテンションは関係の種類ごとにメッセージを伝播し、送電線のアドミタンスと熱容量制約もアテンションを調整する。各補正ラウンドでは、まず電圧、位相角、発電量を予測し、次に物理デコーダーで電力潮流を再構成する。直接検証できないブラックボックス的な解を出力するのではなく、電力収支や制約違反の残差を次のラウンドへフィードバックする。

速度の数値は、テスト条件を踏まえて解釈する必要がある。研究ではバッチ推論にH100 SXM5を使用し、従来型ソルバーには同世代の84コアAMD EPYC 9634を使用した。いずれも読み込み、コンパイル、ウォームアップの時間を除外し、それぞれ最適なバッチサイズまたはワーカープロセス数を選択している。2,000母線および10,000母線のPFでは、GENCO TinyはNewton–Raphson法によるAC-PFよりそれぞれ28.2倍、29.1倍高速で、DC-PFでは得られない電圧と無効電力も出力する。ただし、速度はDC-PFのおよそ半分にとどまる。2,000母線のケースにおけるGENCO SmallのOPFは、AC-OPFより84.5倍高速だった。

周辺ツールも実用面での価値を持つ。Apache-2.0ライセンスの`gridfm-graphkit`は、YAMLによる学習、ファインチューニング、評価、推論用のCLIをすでに提供している。`gridfm-datakit`は、N-kトポロジー、アドミタンス、発電コストに摂動を加えたデータを生成でき、データセットもHugging Faceで公開されている。一方、論文では未知の電力網に対するゼロショットPFの残差が11.07 MWで、DC-PFの2.30 MWを下回る精度だった。Hydro-QuébecのSCADAデータでも、DC-PFに近い精度へ到達するには約15,000件のファインチューニング用データが必要だった。論文専用の設定、スクリプト、完全なモデルが公開されるまでには、さらに数週間かかる見込みだ。今後は平均誤差だけでなく、第三者がスループット、分布裾部における制約違反率、トポロジーをまたぐ汎化性能を再現できるかを注視すべきだ。