[論文レビュー] Graph neural networks for power grid operational risk assessment under evolving grid topology

Yadong Zhang, Pranav Karve+1 more|arXiv (Cornell University)|May 12, 2024

Smart Grid and Power SystemsEngineering被引用数 3

ひとこと要約

本稿では、風力・太陽光・負荷の確率的予測を入力とし、MILPに基づく最適潮流解をターゲットとする、電力系統の運用リスクを数時間先に予測するためのグラフニューラルネットワーク（GNN）フレームワークを提案する。GNNは、負荷遮断や過負荷を含む、システムレベル・ゾーンレベル・ブランチレベルのリスクを高い精度で予測でき、計算コストの高いMILPソルバーの高速で信頼性の高い代替手段として、リアルタイムのリスク評価に適している。

ABSTRACT

This article investigates the ability of graph neural networks (GNNs) to identify risky conditions in a power grid over the subsequent few hours, without explicit, high-resolution information regarding future generator on/off status (grid topology) or power dispatch decisions. The GNNs are trained using supervised learning, to predict the power grid's aggregated bus-level (either zonal or system-level) or individual branch-level state under different power supply and demand conditions. The variability of the stochastic grid variables (wind/solar generation and load demand), and their statistical correlations, are rigorously considered while generating the inputs for the training data. The outputs in the training data, obtained by solving numerous mixed-integer linear programming (MILP) optimal power flow problems, correspond to system-level, zonal and transmission line-level quantities of interest (QoIs). The QoIs predicted by the GNNs are used to conduct hours-ahead, sampling-based reliability and risk assessment w.r.t. zonal and system-level (load shedding) as well as branch-level (overloading) failure events. The proposed methodology is demonstrated for three synthetic grids with sizes ranging from 118 to 2848 buses. Our results demonstrate that GNNs are capable of providing fast and accurate prediction of QoIs and can be good proxies for computationally expensive MILP algorithms. The excellent accuracy of GNN-based reliability and risk assessment suggests that GNN models can substantially improve situational awareness by quickly providing rigorous reliability and risk estimates.

研究の動機と目的

• 再生可能エネルギーの割合が高い系統で、不確実な系統構造を伴うリアルタイムの数時間先の運用リスク評価の課題に対処すること。
• 混合整数線形プログラミング（MILP）問題を解く高コストな計算を回避するデータ駆動型の代替モデルを開発すること。
• システム・ゾーン・ブランチレベルの包括的リスク評価を可能にし、単独および複数ステップの故障事象を含むリスクの定量化を行うこと。
• 進化する系統構造下で、負荷遮断やブランチ過負荷などのリスク指標を予測するGNNの実用性と精度を実証すること。

提案手法

• 風力・太陽光・負荷需要の空間的・時間的相関を持つ確率的予測から生成された合成データを用いて、教師あり学習でGNNを訓練する。
• 最適潮流問題を解くために混合整数線形プログラミング（MILP）を用い、訓練のための真値出力（関心の度合い）を生成する。
• 負荷遮断やブランチ潮流などのシステムレベル・ゾーンレベル・ブランチレベルの関心の度合い（QoIs）を予測する複数のGNNモデルを訓練する。
• モンテカルロサンプリングをGNN予測出力に適用し、確率的信頼性およびリスク評価を実施し、単独および複数ステップの過負荷確率を評価する。
• コレスキー分解とコプーラベースのサンプリングを用いて、現実的で相関のある確率的シナリオを生成する。
• 118～2848バスの合成系統を用いたケーススタディを通じて、GNNの予測をMILP解に対して検証し、Case1354pegaseおよびCase2848rteを含む。

実験結果

リサーチクエスチョン

• RQ1 将来の発電機の投入・停止状態を明示的に知らない状態でも、GNNは負荷遮断や過負荷を含む、システム全体およびブランチレベルの運用リスク指標を数時間先に正確に予測できるか？
• RQ2 合成確率的予測データで学習したGNNは、異なる系統サイズや構造に一般化してどの程度の性能を示すか？
• RQ3 過負荷確率や影響コストといった主な信頼性指標に関して、GNNの予測精度は正確なMILP解と比べてどの程度か？
• RQ4 GNNは、リアルタイムの系統運用において計算コストの高いMILPソルバーを置き換えることで、高速でリスクに基づいた意思決定をどの程度支援できるか？
• RQ5 GNNを用いたリスク評価において、単独故障と複数ステップ故障の確率はどのように比較されるか？また、それらは系統のレジリエンスに関するどのようなインサイトを提供するか？

主な発見

• GNNは、MILPベースの解と比較して、システムレベルおよびブランチレベルのリスク指標に関して、無視できるほどの小さな誤差範囲内で予測精度を達成した。
• Case1354pegaseにおいて、最も脆弱なブランチについて、GNNが予測した過負荷確率は全時間ステップで1.0であり、MILPの基準解と完全に一致した。
• 2番目および3番目に脆弱なブランチについては、複数ステップ評価においてGNNが予測した過負荷確率はそれぞれ0.9および0.8であり、わずかに高めではあるが、MILP結果と非常に高い精度で一致した。
• GNNに基づく過負荷リスク評価はわずかに保守的であったが、誤差範囲は無視できるほど小さく、代替モデルとしての信頼性を確認した。
• この手法は、過負荷確率が0.5未満の他のブランチはリスク評価に含める必要がないこと、唯一最も重要なブランチ（例：上位3本）のみを評価対象とすれば十分であることを明確に特定した。
• 2848バスに達する大規模な合成系統でも、本フレームワークは強固な性能を示し、実運用におけるスケーラビリティと実用性を実証した。