[論文レビュー] Physics-Informed Graph Learning for Robust Fault Location in Distribution Systems.

Wenting Li, Deepjyoti Deka|arXiv (Cornell University)|Jul 5, 2021

Advanced Graph Neural Networks参考文献 3被引用数 4

ひとこと要約

本稿では、分布系統における故障位置特定のための物理的制約を組み込んだグラフニューラルネットワーク（GNN）フレームワークを、2段階のアプローチで提案する。本手法は、配電網のトポロジーとラベルあり・なしデータ間の物理的類似性を活用し、観測が疎でラベル率が低い状況下でも精度を向上させる。IEEE 123ノードおよび37ノード系において、ベースラインを上回り、トポロジー変化や負荷変動に対する分布シフトにも強い性能を示す。

ABSTRACT

The rapid growth of distributed energy resources potentially increases power grid instability. One promising strategy is to employ data in power grids to efficiently respond to abnormal events (e.g., faults) by detection and location. Unfortunately, most existing works lack physical interpretation and are vulnerable to the practical challenges: sparse observation, insufficient labeled datasets, and stochastic environment. We propose a physics-informed graph learning framework of two stages to handle these challenges when locating faults. Stage- I focuses on informing a graph neural network (GNN) with the geometrical structure of power grids; stage-II employs the physical similarity of labeled and unlabeled data samples to improve the location accuracy. We provide a random walk-based the underpinning of designing our GNNs to address the challenge of sparse observation and augment the correct prediction probability. We compare our approach with three baselines in the IEEE 123-node benchmark system, showing that the proposed method outperforms the others by significant margins, especially when label rates are low. Also, we validate the robustness of our algorithms to out-of-distribution-data (ODD) due to topology changes and load variations. Additionally, we adapt our graph learning framework to the IEEE 37-node test feeder and show high location performance with the proposed training strategy.

研究の動機と目的

• 観測が疎でラベルデータが限られた分布系統における故障位置特定の課題に対処すること。
• トポロジーの変更や負荷変動によって引き起こされる分布外データに対して、モデルのロバスト性を向上させること。
• 電力系統の物理的制約をグラフニューラルネットワークに統合し、解釈可能性と精度を向上させること。
• ラベルありとラベルなしサンプル間の物理的類似性を活用したトレーニング戦略を構築し、低スケールの監視下でも性能を向上させること。
• 標準的なIEEEテストフィーダーを用いてフレームワークを検証し、一般化性とスケーラビリティを示すこと。

提案手法

• 段階Iでは、ランダムウォークに基づくノードサンプリングを用いたGNNを設計し、電力系統の幾何的構造を保持することで、観測が疎な状況下でも表現学習を強化する。
• 段階IIでは、ラベルありとラベルなしサンプルの物理的挙動に基づいて埋め込みを一致させる物理的類似性損失を導入する。
• フレームワークは、1線図に基づく構造的インダクティブバイアスと、潮流方程式から導出された物理的制約を統合する。
• 2段階のトレーニングプロセスにより、まず構造的表現を最適化し、その後物理的一致性を微調整することで、故障位置特定の精度を向上させる。
• メッセージパッシング中にノードの重要度を重みづけするため、グラフ畳み込みネットワーク（GCN）のバックボーンにアテンション機構を組み込む。
• ランダムウォークサンプリングにより、GNNは長距離依存関係を捉えられ、ラベルデータが限られた状況下でも予測の信頼性が向上する。

実験結果

リサーチクエスチョン

• RQ1 物理的制約を組み込んだGNNフレームワークは、分布系統におけるラベル率が低く観測が疎な状況下でも、故障位置特定の精度を向上させることができるか？
• RQ2 ラベルありとラベルなしサンプル間の物理的類似性を組み込むことで、モデルの一般化性とロバスト性はどのように向上するか？
• RQ3 トポロジーの変更や負荷変動といった分布外条件において、提案手法はどの程度有効に機能するか？
• RQ4 ランダムウォークベースのサンプリング戦略は、データが乏しい状況下でGNNの性能をどのように向上させるか？
• RQ5 本フレームワークは、IEEE 123ノードおよび37ノード系といった異なるテストフィーダーに一般化可能で、一貫した性能を示せるか？

主な発見

• 提案手法は、IEEE 123ノード系において、3つのベースラインを著しく上回る故障位置特定の精度を達成し、特にラベル率が低い状況で顕著な優位性を示す。
• 物理的インダクティブバイアスのおかげで、トポロジーの変更や負荷変動といった分布外データに対しても、モデルは高いロバスト性を維持する。
• ランダムウォークベースのサンプリングにより、観測が疎な状況下でも予測の信頼性が向上し、誤差率が低下する。
• フレームワークはIEEE 37ノードテストフィーダーにも良好に一般化され、同じトレーニング戦略で高い故障位置特定の精度を達成する。
• 段階IIにおける物理的類似性損失により、物理的に類似しているがラベルのないサンプルの埋め込みが一致し、モデル性能が向上する。
• 2段階の設計により、構造的学習と物理的一致性のバランスが適切に取られ、実世界のシナリオにおいて優れた一般化性能を発揮する。