[論文レビュー] Graph Neural Networks for Learning Real-Time Prices in Electricity Market

Shaohui Liu, Chengyang Wu+1 more|arXiv (Cornell University)|Jun 19, 2021

Energy Load and Power Forecasting被引用数 7

ひとこと要約

本稿では、LMPの局所性特性と物理法則に基づく正則化を活用することで、リアルタイム電力市場におけるロケーションマージナルプライス（LMP）を予測するGNN（グラフニューラルネットワーク）ベースのフレームワークを提案する。この手法はモデルの複雑さを低減し、変化するグリッドトポロジへの高速適応性を実現し、2383バス系のような大規模システムにおいて、完全結合型およびグラフ情報付きの深層ネットワークを凌駕するスケーラビリティと実行可能性を示した。

ABSTRACT

Solving the optimal power flow (OPF) problem in real-time electricity market improves the efficiency and reliability in the integration of low-carbon energy resources into the power grids. To address the scalability and adaptivity issues of existing end-to-end OPF learning solutions, we propose a new graph neural network (GNN) framework for predicting the electricity market prices from solving OPFs. The proposed GNN-for-OPF framework innovatively exploits the locality property of prices and introduces physics-aware regularization, while attaining reduced model complexity and fast adaptivity to varying grid topology. Numerical tests have validated the learning efficiency and adaptivity improvements of our proposed method over existing approaches.

研究の動機と目的

• リアルタイム電力市場における最適潮流（OPF）のためのエンドツーエンド機械学習モデルのスケーラビリティおよび適応性の制限を解消すること。
• ロケーションマージナルプライス（LMP）の局所性特性を活用して、一般化性能の向上とモデル複雑さの低減を図ること。
• GNNに物理的制約に基づく正則化を組み込むことで、予測されたOPF解の実行可能性を向上させること。
• 事前学習済みモデルを新しいグリッドトポロジに迅速に適応可能にする仕組みを提供し、リアルタイム市場運用を支援すること。
• 大規模IEEEテストシステムにおいて、完全結合型およびグラフ情報付きの深層ネットワークと比較して、予測精度および実行可能性の面で優れた性能を示すこと。

提案手法

• 本フレームワークは、バスをノード、送電線をエッジとするグラフとして電力グリッドをモデル化するGNNアーキテクチャを採用し、LMPにおけるトポロジ的依存関係を捉える。
• 線路の潮流制限違反をペナルティ化する物理法則に基づく正則化項を導入し、損失関数に組み込むことで、解の実行可能性を向上させる。
• 平均二乗誤差と線路制限違反ペナルティを組み合わせた、実行可能性正則化（FR）損失関数を用いて、OPF解をエンドツーエンドで学習する。
• GNNは、ReLU活性化関数と高次元グラフフィルタを備えたグラフ畳み込み層を用い、グリッドトポロジを尊重しながら情報伝搬を実現する。
• トランスファー学習を適用し、新しいトポロジに3〜5エポックの追加学習でのファインチューニングにより、事前学習済みGNNモデルを適応させる。
• 本手法は、MATPOWERが生成したデータセットを用いて、PGLib-OPFベンチマークのAC-OPF（118バス）およびDC-OPF（2383バス）システムで評価された。

実験結果

リサーチクエスチョン

• RQ1 物理的ネットワーク制約を尊重しながら、GNNベースのモデルがリアルタイムのロケーションマージナルプライス（LMP）を効果的に予測できるか。
• RQ2 提案されたGNNフレームワークは、完全結合型およびグラフ情報付きの深層ニューラルネットワークと比較して、予測精度および実行可能性の面でどの程度優れているか。
• RQ3 事前学習済みGNNモデルが、最小限の再学習で新しいグリッドトポロジにどの程度適応できるか。
• RQ4 物理法則に基づく正則化を組み込むことで、大規模システムにおける予測されたOPF解の実行可能性が向上するか。
• RQ5 LMPの局所性を活用し、物理法則に基づく正則化を組み込むことで、予測性能を損なわずにモデル複雑さを低減できるか。

主な発見

• 提案されたGNNモデルは、118バス系および2383バス系の両方で、完全結合型およびグラフ情報付きの深層ネットワークと同等またはそれ以上のLMP予測精度を達成した。
• 実行可能性正則化（FR）損失関数は、特に大規模な2383バス系において、潮流制限違反を顕著に低減させ、解の実行可能性を向上させた。
• 完全結合型およびグラフ情報付きの深層ネットワークと比較して、GNNモデルはパラメータ数を大幅に削減し、モデル複雑さの低減を示した。
• ランダムに変更されたトポロジにおいても、事前学習済みGNNモデルは低予測誤差（平均 ± 標準偏差）を維持しており、優れた一般化性能を示した。
• わずか3〜5エポックのファインチューニングで、GNNモデルは新しいトポロジにおいても高い予測性能を達成した。これは、高速な適応性と効果的なトランスファー学習を裏付けた。
• 結果から、LMPの局所性と物理法則に基づく正則化を活用することで、大規模電力システムにおける正確でスケーラブルかつ適応可能なリアルタイム市場価格予測が可能であることが確認された。