PGLearn-Large-6470_rte

PGLearn最优电力流数据集（6470_rte）包含电力系统优化问题的相关数据，适用于表格型回归任务。数据集记录了不同的电力流优化算法（包括交流最优电力流（ACOPF）、直流最优电力流（DCOPF）和交流系统最优电力流（SOCOPF））的输入、输出特征以及优化过程中的中间变量。特征包括电力系统的状态变量、优化变量、约束条件以及计算得到的优化结果等。The PGLearn Optimal Power Flow Dataset (6470_rte) encompasses relevant data for power system optimization problems, and is tailored for tabular regression tasks. It records the input features, output features, and intermediate variables generated during the optimization process of various power flow optimization algorithms, including alternating current optimal power flow (ACOPF), direct current optimal power flow (DCOPF), and alternating current system optimal power flow (SOCOPF). The features cover state variables, optimization variables, constraints, and computed optimization results of the power system, among other related contents.

原始信息汇总

PGLearn Optimal Power Flow (6470_rte) 数据集概述

基本信息

• 许可证: cc-by-sa-4.0
• 标签: energy, optimization, optimal_power_flow, power_grid
• 数据集名称: PGLearn Optimal Power Flow (6470_rte)
• 任务类别: tabular-regression

数据集配置

• 配置名称: 6470_rte
• 默认配置: 是

数据特征

输入特征

• input/pd: 序列, float32, 长度 3670
• input/qd: 序列, float32, 长度 3670
• input/gen_status: 序列, bool, 长度 761
• input/branch_status: 序列, bool, 长度 9005
• input/seed: int64

ACOPF 特征

• 原始解:
  • primal/vm, primal/va, primal/pg, primal/qg, primal/pf, primal/pt, primal/qf, primal/qt
• 对偶解:
  • dual/kcl_p, dual/kcl_q, dual/vm, dual/pg, dual/qg, dual/ohm_pf, dual/ohm_pt, dual/ohm_qf, dual/ohm_qt, dual/pf, dual/pt, dual/qf, dual/qt, dual/va_diff, dual/sm_fr, dual/sm_to, dual/slack_bus
• 元数据:
  • meta/seed, meta/formulation, meta/primal_objective_value, meta/dual_objective_value, meta/primal_status, meta/dual_status, meta/termination_status, meta/build_time, meta/extract_time, meta/solve_time

DCOPF 特征

• 原始解:
  • primal/va, primal/pg, primal/pf
• 对偶解:
  • dual/kcl_p, dual/pg, dual/ohm_pf, dual/pf, dual/va_diff, dual/slack_bus
• 元数据:
  • meta/seed, meta/formulation, meta/primal_objective_value, meta/dual_objective_value, meta/primal_status, meta/dual_status, meta/termination_status, meta/build_time, meta/extract_time, meta/solve_time

SOCOPF 特征

• 原始解:
  • primal/w, primal/pg, primal/qg, primal/pf, primal/pt, primal/qf, primal/qt, primal/wr, primal/wi
• 对偶解:
  • dual/kcl_p, dual/kcl_q, dual/w, dual/pg, dual/qg, dual/ohm_pf, dual/ohm_pt, dual/ohm_qf, dual/ohm_qt, dual/jabr, dual/sm_fr, dual/sm_to, dual/va_diff, dual/wr, dual/wi, dual/pf, dual/pt, dual/qf, dual/qt
• 元数据:
  • meta/seed, meta/formulation, meta/primal_objective_value, meta/dual_objective_value, meta/primal_status, meta/dual_status, meta/termination_status, meta/build_time, meta/extract_time, meta/solve_time

数据分割

• 训练集:
  • 样本数: 73912
  • 大小: 148043721898 字节
• 测试集:
  • 样本数: 18478
  • 大小: 37010930475 字节

下载与存储

• 下载大小: 185038153518 字节
• 数据集大小: 185054652373 字节

搜集汇总

数据集介绍

构建方式

PGLearn-Large-6470_rte数据集聚焦于电力系统最优潮流计算领域，其构建过程基于法国输电网络（RTE）的6470节点模型。该数据集通过ACOPF、DCOPF和SOCOPF三种数学优化方法生成多维特征矩阵，包含节点电压、发电机出力、支路功率等3670至9005维的动态序列数据。每个样本均记录了原始输入参数、优化解算结果及完整的对偶变量信息，并附有求解过程的元数据如计算耗时和收敛状态。数据生成过程采用严格的质量控制，确保不同优化模型结果的可比性。

使用方法

研究者可通过HuggingFace平台直接加载数据集，其标准化的特征命名规范便于快速定位目标变量。建议首先利用'train'分割进行模型训练，重点关注ACOPF/primal系列字段作为监督信号。对于高级应用，SOCOPF/dual中的多维张量适合开发图神经网络架构。测试集包含18,478个样本，可用于验证模型在未知拓扑条件下的泛化能力。数据集兼容主流机器学习框架，其tabular-regression任务类别可直接应用于预测任务或作为强化学习的环境反馈信号。

背景与挑战

背景概述

PGLearn-Large-6470_rte数据集是电力系统优化领域的重要资源，专注于最优潮流（Optimal Power Flow, OPF）问题的研究。该数据集由专业研究团队构建，旨在为电力网络的高效运行提供数据支持。最优潮流问题是电力系统运行与规划中的核心问题，涉及在满足各种物理和运行约束条件下，最小化发电成本或网络损耗。PGLearn-Large-6470_rte通过提供大规模、高维度的电力系统运行数据，为研究人员和工程师提供了验证新算法和模型的基准平台。其影响力不仅体现在电力系统的实时优化，还延伸至可再生能源集成和智能电网的发展。

当前挑战

PGLearn-Large-6470_rte数据集面临的主要挑战包括两个方面：领域问题的复杂性和数据构建的难度。在领域问题方面，最优潮流问题本身具有高度非线性和非凸性，涉及数千个变量和约束条件，求解过程计算量大且容易陷入局部最优。数据构建过程中，需要处理大规模电力网络的拓扑结构和运行参数，确保数据的物理一致性和数值稳定性。此外，数据集还需涵盖多种运行场景和故障条件，以全面反映实际电力系统的动态特性，这对数据的多样性和代表性提出了更高要求。

常用场景

经典使用场景

在电力系统优化领域，PGLearn-Large-6470_rte数据集为研究人员提供了大规模交流最优潮流（ACOPF）问题的标准测试平台。该数据集通过包含6470个节点的电网拓扑结构，完整记录了发电机状态、支路状态、节点电压幅值与相角等关键参数，为验证新型优化算法在复杂电网环境下的收敛性和计算效率提供了理想场景。其多维度的原始数据和双重解信息，使得研究者能够深入分析不同优化模型在电力系统调度中的表现差异。

解决学术问题

该数据集有效解决了电力系统优化研究中长期存在的基准测试不足问题。传统的小规模测试案例难以反映现代电网的高维非线性特性，而PGLearn-Large-6470_rte通过真实规模的网络拓扑和运行约束，为评估凸松弛技术、分布式算法和机器学习方法在OPF问题中的性能提供了可靠依据。其包含的原始-对偶解信息特别有助于研究KKT条件满足程度和优化间隙分析，推动了电力系统优化理论的发展。

实际应用

在实际电网运行中，该数据集支持了多种关键应用场景的算法开发。区域电网运营商可利用其训练负荷预测模型，优化机组组合策略；输电网规划人员通过分析数据集中的支路潮流分布，识别网络薄弱环节；新能源电站运营商则借助其中的电压调节数据，研究高比例可再生能源接入下的系统稳定控制策略。数据集包含的求解时间指标，为实际电力调度系统的实时性要求提供了重要参考。

数据集最近研究

最新研究方向

在电力系统优化领域，PGLearn-Large-6470_rte数据集为最优潮流（OPF）问题的研究提供了丰富的高维时空数据支持。随着可再生能源接入比例的提高和电力系统复杂性的增加，该数据集被广泛应用于探索基于深度学习的OPF求解方法。当前研究热点集中在利用图神经网络捕捉电网拓扑特征，结合强化学习实现动态环境下的快速决策，以及开发混合整数规划算法处理离散控制变量。数据集提供的ACOPF、DCOPF和SOCOPF多模态求解记录，为对比不同数学建模方法的计算效率与数值稳定性提供了基准。在能源转型背景下，这类研究对提升电网运行的经济性和安全性具有重要价值。