核心概念
美國電力傳輸網格的實際拓撲資料長期被列為關鍵基礎設施資訊，受嚴格存取管制。這條限制讓學術界難以研究電網壅塞、傳輸擴張、需求成長與系統韌性等問題——所有分析都依賴具備現實物理特性的網路模型，而取得這樣的模型幾乎是奢望。
Microsoft Research 在 2026 年 5 月發布了一套解方：以五階段管道，完全從公開資料重建美國 48 州及跨州互聯電網的近似傳輸拓撲，並開源所有模型、程式碼與資料集。
五階段建構管道
- 基礎設施提取：透過 Overpass API 從 OpenStreetMap 抽取輸電廊道、變電站與發電廠的地理位置
- 拓撲重建：使用電壓推斷、線路合併演算法與變壓器識別，重建匯流排（bus）與支路（branch）網路
- 電氣參數估計：以美國能源資訊署（EIA）資料為基準，透過電壓等級查表推導電阻、電抗等電氣常數
- 需求分配：將 EIA-930 的逐小時電力需求資料，以人口普查數據為空間代理，分配至各節點
- 電力流求解：採漸進式鬆弛策略，依序求解直流（DC）與交流最優潮流（AC-OPF）
驗證標準：AC-OPF 可解性
**交流最優潮流（AC-OPF）**是核心驗證機制。這個問題要求同時滿足：物理電網定律（基爾霍夫電流/電壓定律）、機組出力上下限、傳輸線容量限制，並在此前提下最小化發電成本。能求解 AC-OPF，代表模型在電氣上具有物理一致性，而非純粹的地理示意圖。
48 個州模型中，88%（42 個）在最嚴格的鬆弛層級下成功收斂；中位數調度成本為 $22/MWh，與實際批發電力市場結果相符，確認模型具備實務可用性。
關鍵要點
- 涵蓋規模：54 個公開模型，從 11 匯流排的小型系統，到東部互聯網的 21,697 匯流排；辨識出 31,488 條獨立輸電廊道
- 資料透明：研究團隊明確標注資料不確定性——電氣參數為估算值、平行回路採近似計算、需求使用代理資料——使模型適用於學術研究與規劃分析，而非即時運營決策
- 廊道密度分析：27,506 條廊道僅有單回路；約 4,000 條已有多回路；最密集區域達 10 回路（30 條導體）並聯
- 研究影響：模型已發布至 GitHub 與 Hugging Face，後續論文將介紹 GridSFM——以這些網格模型訓練的學習型 AC-OPF 替代模型，預計可在毫秒級輸出完整運行點
實務應用
城市電網升級決策（麻薩諸塞州）
研究團隊在麻薩諸塞州模型模擬新增兩條超導電纜，結果：
- 所有傳輸線超載情況全數消除
- 電力批發價格從 $22.7/MWh 降至 $13.1/MWh，降幅 42%
這類情境分析在過去需要機密電網資料才能執行；公開資料模型使其成為開放研究。
資料中心選址（馬里蘭州）
模擬在馬里蘭州部署 500 MW 資料中心（相當於一個大型 AI 訓練叢集的規模）於兩個地點：
| 選址 | 位置 | 傳輸線違規 | 電價漲幅 |
|---|---|---|---|
| A | 巴爾的摩市區 | 有超載 | +16.1% |
| B | 華盛頓近郊 | 無違規 | +7.4% |
年度電費差距約 8,000 萬美元。這個結果說明，在 AI 算力競賽帶動資料中心快速擴張的當下，物理電網模型對選址決策具有直接的財務意義。
延伸觀點
與本研究同期，電力系統 ML 研究社群也出現幾個重要的趨同趨勢，從多個來源可交叉驗證：
AC-OPF 資料集競賽已白熱化。 2024 年 6 月，史丹佛大學研究團隊發布 OPFData，號稱是現有最大規模的 AC-OPF 已解問題集合，規模比既有資料集大「數個數量級」，並特別強調拓撲擾動（topological perturbations）——即模擬輸電線跳脫、機組退出的情境——是現實電網研究的必要條件。Microsoft Research 的管道從地理建模端解決資料稀缺，OPFData 從已解問題端補充訓練資料，兩者構成互補關係，而非競爭。
開放電網模型對 AI 基礎設施有直接商業意義。 多個來源共同指出：AC-OPF 的計算效率提升，預估可帶來數十億美元的電網運營節省空間，並可顯著減少備用燃煤機組的排放。隨著大型語言模型訓練叢集的能耗持續攀升，電網規劃成本模型的準確性，將直接影響算力投資的財務回收預測。Microsoft 這批開源資料集的出現，讓原本局限在系統營運商內部的分析能力，正式向研究界開放。
學習型替代模型（surrogate model）是下一個關鍵。 傳統 AC-OPF 需要數分鐘至數小時才能求解大規模電網，限制了即時決策的可能性。研究社群普遍認為，以神經網路訓練替代求解器（如 Microsoft 即將發布的 GridSFM），是突破這一瓶頸的可行路徑。公開的真實拓撲資料集正是訓練這類模型的先決條件。
反向連結
以下頁面引用了本頁：