PGLearn-Medium-1354_pegase

PGLearn最优电力流数据集（1354_pegase）是一个包含电力系统优化相关参数的数据集，用于电力流优化研究。数据集包含ACOPF、DCOPF和SOCOPF三种模型的参数，涵盖电压、功率、支路状态等信息。数据集分为训练集和测试集，提供了构建、提取和求解模型的元数据信息。

搜集汇总

数据集介绍

构建方式

PGLearn-Medium-1354_pegase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PEGASE-1354基准测试系统，通过模拟不同运行条件下的电网状态生成。数据集采用结构化方法采集，涵盖交流最优潮流（ACOPF）、直流最优潮流（DCOPF）以及二阶锥最优潮流（SOCOPF）三种经典模型的计算结果。每个样本包含节点注入功率、发电机状态、支路状态等输入特征，以及对应的原始解、对偶解和求解过程元数据，通过大规模并行计算生成超过44万条高质量样本。

特点

该数据集的核心价值体现在其多维度的电力系统运行特征表征能力。数据样本精细刻画了1354节点系统的拓扑结构和物理约束，包含电压幅值、相角、发电机出力等原始变量，以及拉格朗日乘子等对偶变量。特别值得注意的是，数据集完整记录了二阶锥松弛模型的凸优化解，为研究电力系统凸优化提供了独特资源。所有数据均采用标准化格式存储，时间戳和随机种子信息确保了实验的可复现性，高达1.5TB的数据规模为机器学习模型训练提供了充分支持。

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。典型应用场景包括但不限于：基于机器学习的潮流计算代理模型构建、优化算法性能对比分析、电力系统安全约束学习等。数据集已预分为训练集（355,464样本）和测试集（88,867样本），支持批量化数据读取。使用时应特别注意不同优化模型（ACOPF/DCOPF/SOCOPF）输出结果的物理含义差异，建议结合电力系统分析理论进行特征工程构建。对于大规模数据处理，推荐采用分布式计算框架以应对内存挑战。

背景与挑战

背景概述

PGLearn-Medium-1354_pegase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，旨在为电力网络的运行与规划提供高效的计算工具。最优潮流问题是电力系统分析中的核心问题，涉及在满足各种物理和工程约束条件下，优化发电机的输出以最小化运行成本或最大化系统效率。PGLearn数据集通过提供详细的交流最优潮流（ACOPF）、直流最优潮流（DCOPF）以及二阶锥最优潮流（SOCOPF）的计算结果，为研究人员和工程师提供了丰富的实验数据。该数据集的影响力不仅体现在电力系统领域，还为机器学习与优化算法的结合提供了新的研究视角。

当前挑战

PGLearn数据集在解决最优潮流问题时面临多重挑战。从领域问题来看，最优潮流问题本身具有高度的非线性和非凸性，导致传统优化方法难以找到全局最优解。此外，电力系统的规模庞大，节点和支路数量众多，进一步增加了计算复杂度。在数据集构建过程中，研究人员需要处理海量的电力系统参数和状态变量，确保数据的准确性和一致性。同时，不同最优潮流模型（如ACOPF、DCOPF和SOCOPF）的求解需要高效的数值计算方法和强大的计算资源，这对数据集的生成提出了极高的技术要求。如何在这些复杂条件下保持数据的高质量和可用性，是数据集构建中的核心挑战。

常用场景

经典使用场景

在电力系统优化领域，PGLearn-Medium-1354_pegase数据集被广泛应用于最优潮流（Optimal Power Flow, OPF）问题的研究。该数据集通过提供详细的电网参数和运行状态，为研究人员模拟和分析大规模电力系统的稳态行为提供了可靠的数据支持。其经典使用场景包括电网调度策略的验证、分布式能源接入的优化设计以及电力市场定价机制的仿真。

实际应用

在实际工程应用中，该数据集支撑了智能电网的多个关键环节。电网运营商利用其进行运行安全边界计算，新能源开发商基于其评估并网容量，而电力交易平台则借助其实时电价形成机制建模。特别在含高比例可再生能源的系统中，数据集提供的1354节点网络模型为电压稳定控制和备用容量配置提供了重要参考。

衍生相关工作

围绕该数据集已衍生出多项开创性研究，包括基于深度学习的OPF快速求解器开发、考虑不确定性的随机OPF建模以及面向碳约束的低碳调度算法设计。这些工作不仅发表在《IEEE Transactions on Power Systems》等顶级期刊，更被转化为开源工具包如PowerModels.jl，持续推动着电力系统分析技术的进步。