[論文レビュー] PIDGeuN: Graph Neural Network-Enabled Transient Dynamics Prediction of Networked Microgrids Through Full-Field Measurement

Yu Yin, Xinyuan Jiang+2 more|arXiv (Cornell University)|Apr 18, 2022

Microgrid Control and Optimization被引用数 4

ひとこと要約

本論文では、全数の測定可能バス状態のみを用いて、ネットワーキングマイクログリッドにおける一時的ダイナミクスを予測する物理的制約付きグラフニューラルネットワーク、PIDGeuNを提案する。物理的制約付きメッセージパッシングとキルホフの法則を満たす損失関数を統合することで、測定不能な内部状態に依存せずに、正確で頑健な長期的一時的予測を達成し、完全な応答と初期一時的応答の両方においてベースラインを上回る性能を発揮する。

ABSTRACT

A Physics-Informed Dynamic Graph Neural Network (PIDGeuN) is presented to accurately, efficiently and robustly predict the nonlinear transient dynamics of microgrids in the presence of disturbances. The graph-based architecture of PIDGeuN provides a natural representation of the microgrid topology. Using only the state information that is practically measurable, PIDGeuN employs a time delay embedding formulation to fully reproduce the system dynamics, avoiding the dependency of conventional methods on internal dynamic states such as controllers. Based on a judiciously designed message passing mechanism, the PIDGeuN incorporates two physics-informed techniques to improve its prediction performance, including a physics-data-infusion approach to determining the inter-dependencies between buses, and a loss term to respect the known physical law of the power system, i.e., the Kirchhoff's law, to ensure the feasibility of the model prediction. Extensive tests show that PIDGeuN can provide accurate and robust prediction of transient dynamics for nonlinear microgrids over a long-term time period. Therefore, the PIDGeuN offers a potent tool for the modeling of large scale networked microgrids (NMs), with potential applications to predictive or preventive control in real time applications for the stable and resilient operations of NMs.

研究の動機と目的

• 高比率のDER統合に起因する慣性が低いネットワーキングマイクログリッド（NMs）における非線形的一時的ダイナミクスを予測する課題に対処すること。
• 制御器ダイナミクスなど測定不能な内部状態に依存する従来手法の限界を克服すること。
• グラフニューラルネットワークを活用して、マイクログリッドのトポロジーを自然に表現し、空間的依存性を活かして予測精度を向上させること。
• 特にキルホフの電流則を含む物理法則を学習プロセスに統合し、モデルの妥当性を保証するとともに、耐性を高めること。
• リアルタイムの予測制御や予防制御に適した、データ駆動型でスケーラブルなフレームワークの構築

提案手法

• バスをノード、線路をエッジとするグラフベースのアーキテクチャを採用し、マイクログリッドのトポロジーを自然にモデル化する。
• 測定可能なバス状態（電圧、有効電力・無効電力）の時間遅延埋め込みを用いて、内部制御器状態を必要とせずにシステムダイナミクスを再構築する。
• データ駆動型のアテンション重みと物理的アドミタンス重みを組み合わせた物理的制約付きメッセージパッシング機構を設計し、バス間の依存関係をモデル化する。
• 各バスでキルホフの電流則を満たすように物理的制約付き損失項を組み込み、予測された電流の合計がゼロになるようにし、予測の妥当性を向上させる。
• スペクトル伝播を近似し、長距離情報伝達を効率的に行うために、グラフ畳み込み層でチェビシェフ多項式を活用する。
• 負荷変更からの一時的応答データを用いて、エンドツーエンドでモデルを訓練し、予測精度と物理的整合性の両方を最適化する。

実験結果

リサーチクエスチョン

• RQ1 全数測定可能な状態のみを用いて、グラフニューラルネットワークがネットワーキングマイクログリッドにおける長期的一時的ダイナミクスを効果的に予測できるか？
• RQ2 物理的制約付きメッセージパッシングを統合することで、純粋にデータ駆動型のGNNと比較して、予測精度と耐性がどのように向上するか？
• RQ3 損失関数にキルホフの電流則を強制することで、モデルの物理的妥当性と一般化性能はどの程度向上するか？
• RQ4 多項式次数、隠れ層次元、入力系列長といったハイパーパrameterが、予測性能と計算コストに与える影響はどの程度か？
• RQ5 本モデルは、頻繁な負荷変動下でも、完全な一時的応答と初期一時的ダイナミクスの両方に対して一般化可能か？

主な発見

• PIDGeuNは、完全な一時的応答を予測する際、ベースラインモデルと比較して著しく低いC-RMSEを達成し、システム周波数、減衰比、最終平衡状態を正確に捉えている。
• 標準的なGNNと線形モデル（C1）と比較して大幅に優れており、完全応答ケースではC-RMSEが50%以上低減されている。
• 物理的制約付き損失項によりパラメータ空間が効果的に制約され、より妥当な予測が得られ、特に長期シミュレーションにおいて一般化性能が向上している。
• チェビシェフ多項式次数 $K$ を1から5に増加させることで予測誤差が減少するが、$K > 3$ では利得が著しく低下し、$K=7$ では過学習が生じて誤差が増加する。
• 隠れ層次元 $D=128$ がモデル容量と予測精度のバランスに最適であり、性能は $D$ に対して相対的に感度が低い。
• 入力系列に2ステップ分（$C=2$）の時系列情報を含めるだけで十分な時系列的文脈が得られ、$C$ をさらに増加させても改善は限定的であり、システム内の長期的時系列依存性が小さいことが示唆される。