摘要
单任务微调图神经网络（GNNs）在电网问题上表现出系统性的失败模式：实现最低的内部分布误差的模型在拓扑变化下的性能大幅降低。我们称之为拓扑过拟合：任务特定的梯度信号倾向于编码特定于训练拓扑的关系结构，而非潜在的物理规律，导致模型在未见过的电网上失败，尽管在内部分布上表现良好。
为了解决这一失败模式，我们引入了MxGPS（Multiplex GPS），一种多路图变换器，它在共享节点编码器上运行K个任务专用的GPS分支，采用自监督预训练和多任务微调协议共同训练静态状态估计（SSE）和交流电力流（PF），并评估了交叉分支注意力模块的消融实验。
联合的SSE+PF目标迫使共享编码器同时满足互补的梯度信号，从而防止其对特定拓扑的关系结构过拟合。在涵盖四个未见拓扑（14、24、162和300总线）的3折滑动窗口交叉验证中，MxGPS在所有四个零-shot电力流拓扑上实现了0%的边界违反率（BVR）。
重要的是，具有显著较低内部分布PF误差的模型在拓扑变化下的性能下降幅度为190%至1400%，而MxGPS仅下降39%，这一反转直接表明拓扑过拟合是失败机制，而非模型容量不足。MxGPS仅需1.6M参数（比GridFM基线少12倍），证明多任务联合训练是一种原则性且参数高效的机制，能够在电网基础模型中实现拓扑无关的泛化。
博主点评： MxGPS的研究展示了在电网模型中引入多任务学习的潜力，通过有效的参数利用和拓扑无关的特性，显著提升了模型的泛化能力，为电力系统的智能化提供了新的思路。其在拓扑变化下的稳健性，尤其值得关注。