PGLearn-Small-57_ieee

PGLearn最优潮流数据集（57_ieee）是一个电力系统最优潮流计算的数据集，包含了用于计算和优化电力系统潮流的多种参数和结果。这些参数包括节点电压、相角、有功和无功功率等，以及相应的优化结果。数据集分为训练集和测试集，适用于表格回归任务。

The PGLearn Optimal Power Flow Dataset (57_ieee) is a dataset designed for optimal power flow (OPF) calculations in electrical power systems. It contains a variety of parameters and results utilized for the computation and optimization of power system power flows. These parameters include node voltage, phase angle, active power, reactive power, and others, alongside the corresponding optimization results. The dataset is split into training and test sets, and is suitable for tabular regression tasks.

搜集汇总

数据集介绍

构建方式

PGLearn-Small-57_ieee数据集基于IEEE 57节点电力系统模型构建，通过模拟交流最优潮流（ACOPF）、直流最优潮流（DCOPF）以及二阶锥最优潮流（SOCOPF）三种典型电力系统优化问题生成。数据采集过程采用严格的数学建模方法，确保每个节点的电压幅值、相角以及发电机出力等关键参数符合物理约束。数据集通过随机种子控制输入变量的变化范围，覆盖了电力系统运行中的多种工况，同时记录了求解过程的元数据，包括求解状态和时间消耗等关键指标。

特点

该数据集以多维结构化特征见长，包含57个节点的电压、相角数据，7台发电机的有功无功出力，以及80条支路的潮流分布。其显著特色在于同时提供原始对偶问题的解算结果，包括原始变量、对偶变量及各类约束条件的松弛变量。数据字段采用分层命名规范，物理意义明确，便于研究者追溯数据来源。针对不同优化模型（ACOPF/DCOPF/SOCOPF）分别提供完整的求解过程记录，为算法对比研究提供了理想基准。

使用方法

研究者可通过HuggingFace平台直接加载该数据集，利用其预定义的特征结构快速构建电力系统优化任务的机器学习模型。对于传统优化算法研究，可提取case/json字段中的系统参数作为基准测试案例。深度学习应用中，建议将input/系列字段作为模型输入，ACOPF/等结果字段作为监督信号。数据集已预分为训练集（约80万样本）和测试集（约20万样本），支持大规模并行训练。针对不同研究目标，可灵活选用原始变量、对偶变量或元数据进行分析。

背景与挑战

背景概述

PGLearn-Small-57_ieee数据集聚焦于电力系统最优潮流（Optimal Power Flow, OPF）问题，该领域的研究始于20世纪60年代，旨在优化电力网络的运行效率与经济性。数据集基于IEEE 57节点测试系统构建，涵盖了交流最优潮流（ACOPF）、直流最优潮流（DCOPF）及二阶锥最优潮流（SOCOPF）等多种模型，为电力系统优化领域提供了标准化基准。其多维特征设计不仅包含发电机状态、支路潮流等物理量，还纳入了对偶变量与求解元数据，为机器学习与传统优化算法的融合研究开辟了新途径。

当前挑战

电力系统最优潮流问题面临非线性约束与高维变量的双重挑战，传统数值方法在收敛性与计算效率上存在瓶颈。PGLearn-Small-57_ieee数据集构建过程中需精确模拟电网物理约束，包括节点电压平衡、发电机出力限制等，其数值稳定性与计算复杂度显著高于常规回归任务。同时，多模态优化目标（如经济调度与网损最小化）的耦合关系增加了机器学习模型的拟合难度。数据集规模达140GB，对存储效率与分布式计算框架提出了严格要求，而动态电网拓扑的建模更需处理稀疏矩阵与离散变量的混合表征问题。

常用场景

经典使用场景

在电力系统优化领域，PGLearn-Small-57_ieee数据集为研究交流最优潮流（ACOPF）问题提供了标准化的测试平台。该数据集基于IEEE 57节点系统构建，包含了发电机状态、支路状态、节点电压等多维特征，能够精确模拟电力网络的运行状态。研究人员通过该数据集可以验证不同优化算法在解决非线性、非凸最优潮流问题时的性能表现，为电力系统调度决策提供理论支撑。

解决学术问题

该数据集有效解决了电力系统优化领域三个关键科学问题：一是传统最优潮流求解方法面临的计算复杂度高、收敛性差等挑战；二是可再生能源并网带来的不确定性建模难题；三是大规模电力系统实时优化中的计算效率瓶颈。通过提供标准化的测试案例和详尽的求解过程记录，该数据集为比较不同算法的计算精度、鲁棒性和效率建立了统一基准，推动了最优潮流理论的发展。

衍生相关工作

围绕该数据集已产生多项重要研究成果，包括基于深度学习的ACOPF快速求解器、考虑不确定性的鲁棒最优潮流算法、以及融合物理约束的图神经网络模型。2022年发表的《Physics-Informed Neural Networks for AC Optimal Power Flow》利用该数据集验证了融合物理知识的神经网络在保证求解精度的同时将计算速度提升两个数量级。这些工作共同推动了数据驱动与物理模型相结合的电力系统优化新范式。