PGLearn-Large-6470_rte-nminus1

PGLearn最优潮流数据集（6470_rte, N-1），包含电力系统的输入数据、最优潮流计算结果和相关元数据。数据集适用于表格回归任务，涵盖了多种特征，包括功率需求、发电机和支路状态、潮流计算结果等。数据集分为训练集和测试集。

搜集汇总

数据集介绍

构建方式

在电力系统优化领域，PGLearn-Large-6470_rte-nminus1数据集通过模拟N-1安全约束下的电网运行场景构建而成。该数据集基于6470个节点的电网拓扑结构，采用交替潮流计算（ACOPF）、直流潮流计算（DCOPF）和二阶锥规划（SOCOPF）三种数学模型生成样本。每个样本包含发电机状态、支路状态等输入参数，以及对应的原始解、对偶解和元数据，通过严格的数学优化求解器确保数据精度与物理可行性。

特点

该数据集最显著的特征在于其完整覆盖了电力系统优化的多维度信息。不仅包含节点电压、相角等原始变量，还提供对偶变量和优化过程元数据，形成完整的数学优化问题描述。数据集规模庞大，包含9万余个样本，每个样本涵盖3670个负荷点、761台发电机和9005条支路的详细运行数据。特别值得关注的是其同时包含ACOPF、DCOPF和SOCOPF三种模型的求解结果，为不同精度需求的研究提供对比基准。

使用方法

研究人员可通过HuggingFace平台直接加载该数据集进行电力系统优化算法研究。数据集采用标准的表格回归任务格式，支持直接输入输出映射关系的建立。典型应用包括训练神经网络快速求解最优潮流问题，或作为基准测试评估新型优化算法的性能。使用时需注意数据集已划分为训练集和测试集，建议按照标准机器学习流程进行模型训练与验证，确保算法泛化能力。

背景与挑战

背景概述

电力系统最优潮流计算作为电网运行调度的核心问题，自20世纪60年代由Carpentier提出经典模型以来，始终是能源优化领域的研究重点。PGLearn-Large-6470_rte-nminus1数据集由电力系统研究机构基于法国输电网（RTE）6470节点拓扑构建，聚焦于N-1安全约束下的多目标优化问题。该数据集通过整合交流最优潮流（ACOPF）、直流最优潮流（DCOPF）及二阶锥规划最优潮流（SOCOPF）三种数学模型，为电力系统稳定性分析与可再生能源并网研究提供了高维计算基准。其包含的节点电压、发电机出力与线路潮流等物理量数据，对智能电网的实时调度与安全评估具有重要参考价值。

当前挑战

在电力系统优化领域，传统最优潮流算法面临非凸非线性方程求解困难与计算复杂度指数增长的瓶颈。该数据集针对N-1安全校验场景，需处理3670个负荷节点与9005条输电线路的拓扑约束，其高维特征空间对机器学习模型的泛化能力提出严峻考验。数据构建过程中，需协调三种不同数学模型的求解一致性，克服交流潮流方程强非凸性导致的收敛问题，同时保证在发电机启停与线路开断等离散变量约束下仍能获得可行解。此外，超18万条样本的规模对数据存储结构与并行计算框架提出了特殊要求。

常用场景

经典使用场景

在电力系统优化领域，PGLearn-Large-6470_rte-nminus1数据集为交流最优潮流（ACOPF）研究提供了标准化基准。该数据集通过模拟包含6470个节点的电网在N-1故障状态下的运行工况，为机器学习模型训练提供了海量结构化数据。其典型应用场景包括训练神经网络预测电网在单条线路故障时的最优调度方案，以及验证新型优化算法在大型电网中的计算效率。数据集涵盖的发电机状态、支路状态和功率流等完整变量体系，为构建高精度预测模型奠定了数据基础。

解决学术问题

该数据集有效解决了电力系统优化中的若干核心难题。针对传统最优潮流求解器计算耗时长的问题，数据集为开发数据驱动替代模型提供了训练基础，显著提升了大规模电网的实时优化能力。同时，通过提供ACOPF、DCOPF和SOCOPF三种建模方法的完整对偶变量，为研究不同优化模型的近似精度与计算复杂度权衡提供了量化依据。数据集还克服了电力系统研究中真实运行数据获取困难的障碍，为学术界开展可复现研究创造了条件。

衍生相关工作

基于该数据集衍生的研究工作主要集中在机器学习与电力系统交叉领域。深度神经网络在最优潮流预测中的应用研究利用数据集的大规模样本特性，开发了端到端的电压稳定评估模型。图神经网络与物理信息融合的潮流计算方法通过数据集提供的拓扑连接关系，实现了更高精度的功率流预测。强化学习在电网安全控制中的探索性工作也以该数据集为测试平台，验证了智能体在N-1故障下的决策有效性。这些衍生工作共同推动了数据驱动方法在电力系统优化中的深入应用。