电力输送与通信服务之间的紧耦合正成为现代信息物理系统（Cyber–Physical System）基础设施的标志性特征，然而现有的优化与学习方法通常在两个层级上独立运行，因而无法在时变运行条件下利用其跨域依赖关系。研究人员将能源–通信协同优化表述为统一的图学习问题，并提出MS-GAT（Multi-Scale Graph Attention Network，多尺度图注意力网络），该网络联合提升与潮流相关的目标与通信服务质量（Quality of Service, QoS）。MS-GAT在能源单元与通信路由器之上构建统一异构图，通过多尺度注意力分层聚合多跳邻域信息，并执行双向跨层融合以显式建模层间反馈。自适应协调损失（Adaptive Coordination Loss, ACL）进一步在训练过程中平衡能源与通信目标。在四个基准数据集（IEEE 118-Bus、Internet Topology Zoo、PGLib-OPF和UMass Smart*）上的实验表明，MS-GAT在十个基线模型中取得最佳整体性能，其平均绝对误差（MAE）为0.157、均方根误差（RMSE）为0.231、能源效率提升9.8%、平均延迟为0.141、平均吞吐量为0.664，联合优化指数（Joint Optimization Index, JOI）达到0.641。这些结果表明，通过多尺度注意力显式学习跨域依赖关系，为能源–通信信息物理系统的协调管理提供了一种有效、可扩展且可解释的解决方案。
该论文发表于《Alexandria Engineering Journal》，提出了一种面向能源–通信网络协同优化的多尺度图注意力网络（MS-GAT）。研究背景在于，能源系统与通信基础设施的深度融合重塑了现代信息物理系统网络的运行范式，下一代智能电网中的分布式可再生能源单元、高级量测基础设施以及物联网（Internet of Things, IoT）控制器需要与低延迟、高可靠性的通信网络紧密协调，同时实现高效的能源分配与稳定的数据传输已成为保障智能基础设施可持续性与弹性的关键目标。然而，此类互联系统不断增长的规模、异质性和时变特性引入了复杂的耦合动力学，对传统优化框架构成挑战。现有研究的主要局限在于：能源与通信的优化通常被割裂处理，或仅基于静态图假设，未能显式建模动态的双向跨层关联；同时，现有方法缺乏对异构层间层次化多跳依赖的充分建模，且多依赖静态或手动指定的目标权重，降低了动态运行条件下的适应性。
研究人员将能源–通信协同优化形式化为统一的异构图学习问题，构建了MS-GAT框架，该框架包含三个核心创新模块：多尺度图注意力模块（Multi-Scale Graph Attention, MSA）、跨层融合机制（Cross-Layer Fusion, CLF）以及自适应协调损失（Adaptive Coordination Loss, ACL）。研究得出以下主要结论：MS-GAT在预测精度、能源效率、通信性能和整体协同优化方面均显著优于现有方法，能源效率提升9.8%，联合优化指数达到0.641；多尺度注意力机制能够有效捕捉局部与全局的结构依赖，跨层融合机制实现了能源与通信网络间的双向信息交换，自适应协调损失动态平衡了多目标优化过程。该研究的重要意义在于为能源–通信信息物理系统的协调管理提供了有效、可扩展且可解释的解决方案，实验结果验证了显式建模跨域依赖关系的价值。
研究所用的样本队列来源包括：Cornell大学开发的MATPOWER工具箱中的IEEE 118-Bus电力系统标准基准数据；University College London（UCL）发布的Internet Topology Zoo互联网拓扑数据集，其中选取了Geant和Abilene等代表性拓扑；University of Massachusetts Amherst发布的UMass Smart（2019）数据集，包含分钟级能耗与可再生能源发电数据；以及Power Grid Library发布的PGLib-OPF基准数据集，用于测试跨拓扑泛化能力。
研究的主要结果及其推导依据如下：
**整体性能比较**：研究人员在四个数据集上将MS-GAT与十个基线模型（包括OPF、DCRNN、STGCN、MTGNN、AGCRN、HGT、TGD-RL、SC-ComGNN、MAG-RL和CSGAL）进行了全面比较。评估指标涵盖预测精度（MAE、RMSE）、能源效率增益（Energy Efficiency Gain, EEG）、网损率（Power Loss Ratio, PLR）、平均延迟（D
avg ）、平均吞吐量（T
avg ）以及联合优化指数（JOI）。MS-GAT在所有指标上均取得最佳性能，MAE为0.157，RMSE为0.231，EEG达9.8%，JOI达0.641。相较于经典基线，平均预测误差降低10.5%（MAE）和13.4%（RMSE）；相较于最优近期基线CSGAL，能源效率提升7.6%。
**能源优化性能**：在IEEE 118-Bus和UMass Smart*数据集上的实验表明，MS-GAT实现了最高的能源效率增益（EEG=9.8%）和最低的网损率（PLR=7.3%），电压标准差（SDV）最低（1.70），有效缓解了功率流波动并提升了电网稳定性。
**通信性能**：在Internet Topology Zoo数据集上的测试显示，MS-GAT达到了最低的平均通信延迟（D
avg =0.141）和最高的平均吞吐量（T
avg =0.664），数据转发速度提升5.2%，丢包率降低7.1%。
**时序预测精度**：在UMass Smart*数据集上，MS-GAT的MAE和RMSE较次优基线CSGAL分别降低6.7%和8.9%，平均绝对百分比误差（MAPE）降低3.3%，证明了其捕捉多尺度时间依赖性的能力。
**多目标协同优化**：综合评估表明，MS-GAT在能源效率、丢包率、延迟、吞吐量和联合优化指数五个维度上均实现均衡最优，JOI得分0.641超过次优基线CSGAL（0.628）达2.1%。
**跨尺度泛化**：在PGLib-OPF基准的1354节点和2383节点大规模实例上的测试证实，MS-GAT相较于CSGAL，MAE降低2.5%，能源效率提升6.6%，JOI提升1.9%，展现出良好的结构泛化能力和跨尺度适应性。
**消融实验**：通过逐一移除或替换核心模块验证各组件贡献。结果表明，移除MSA模块导致MAE和RMSE分别恶化7.6%和9.5%；移除CLF模块使JOI下降4.5%；移除ACL导致JOI下降2.7%；同时移除MSA和CLF使JOI降至0.587。将MSA替换为单尺度图注意力网络（GAT）或用静态权重替代ACL均导致性能下降。此外，GRU与时序注意力模块的联合使用显著优于单独使用或采用Transformer时序编码器的方案。
**参数敏感性分析**：对邻域深度K和空间尺度数S的敏感性测试表明，K=3和S=3为最优配置，能够在捕捉多跳结构依赖与避免过度传播导致的冗余信息之间取得平衡。
**显著性与鲁棒性检验**：成对t检验证实MS-GAT的改进具有统计显著性（p<0.01）。在拓扑扰动（随机移除10%节点和边）、传感器噪声（高斯噪声σ=0.05）和数据缺失（15%时间序列值掩码）三种扰动场景下，MS-GAT分别保持了96.2%、95.3%和94.1%的原始性能，显著优于竞争基线。
在讨论部分，研究人员总结了MS-GAT的方法论创新：将能源–通信协同优化表述为统一的跨域表征学习问题，通过层次化依赖建模和自适应目标协调显式对齐能源流动态与通信层服务质量约束。研究指出，MS-GAT的跨尺度实验证明了其学习到的表征可迁移至异构网络拓扑，而非对特定基准的过拟合。从实际运行角度，更低的网损和电压波动支持更稳定的调度与分布式资源利用；更低的延迟和丢包率保障了时间敏感型信息物理协调的可靠性。研究的局限性包括：多尺度注意力的计算复杂度可能限制超大规模网络的可扩展性；模型假设能源与通信层部分同步，显著时序失配可能降低协调效果；自适应协调损失引入额外超参数，不当加权可能导致单目标偏置。未来研究方向涵盖：探索稀疏注意力与层次化图策略以提升可扩展性；扩展至在线或联邦学习框架以实现分布式实时适应；融入物理约束以增强可解释性；在实际智能电网或边缘计算测试平台中验证框架。
研究结论部分指出，该论文提出了MS-GAT，一种用于信息物理系统中能源与通信网络联合优化的统一多尺度图注意力框架。通过整合层次化注意力、跨层融合和自适应协调损失，该模型有效捕捉了复杂时空依赖并实现了异构域间的平衡多目标优化。在四个基准数据集上的大量实验表明，MS-GAT在预测精度、能源效率、通信可靠性和整体协调性能方面持续优于现有基线方法。这些结果验证了通过结构化图学习显式建模跨域交互关系，为集成基础设施优化提供了一种可扩展且可解释的范式。未来工作将聚焦于提升可扩展性、适应性和实际可部署性，包括探索稀疏或层次化注意力机制以降低超大规模网络的计算开销，融入物理信息约束以增强可解释性和决策一致性，扩展至在线或联邦学习场景以支持分布式环境中的实时适应，以及在实际智能电网或边缘计算测试平台中验证框架的运行可行性、鲁棒性和成本效益特征。
打赏
