Краткое содержание

arXiv:2511.11677v1 Тип: новая работа Аннотация: Обучение оптимизации (L2O) параметрических приближений решений задачи оптимального потораспределения для моделей переменного тока (AC-OPF) открывает потенциал для быстрого и повторно используемого принятия решений в режиме реального времени при управлении энергосистемами. Однако присущая задаче AC-OPF невыпуклость приводит к сложному ландшафту оптимизации, и стандартные подходы к обучению часто не сходятся к допустимым решениям высокого качества. В данной работе представлен *метод самообучающегося L2O с управлением через гомотопию* для параметрических задач AC-OPF. Ключевая идея заключается в построении непрерывной деформации целевой функции и ограничений в процессе обучения, начиная с релаксированной задачи с широкой областью притяжения и постепенно преобразуя её к исходной задаче. Этот процесс обучения улучшает устойчивость сходимости и способствует достижению допустимости решений без необходимости в размеченных оптимальных решениях или внешних решателях. Мы оцениваем предложенный метод на стандартных тестовых примерах IEEE для AC-OPF и показываем, что гомот