[論文レビュー] PowerGraph: A power grid benchmark dataset for graph neural networks

Anna Varbella, Kenza Amara+3 more|arXiv (Cornell University)|Feb 5, 2024

Advanced Graph Neural Networks被引用数 5

ひとこと要約

PowerGraph は、グラフレベルのタスクと説明可能性のための、IEEEおよび UK の送電網に関するカスケード障害の公開グラフベースデータセットを提供し、GNN のベンチマークと真実のエッジ説明を可能にします。

ABSTRACT

Power grids are critical infrastructures of paramount importance to modern society and, therefore, engineered to operate under diverse conditions and failures. The ongoing energy transition poses new challenges for the decision-makers and system operators. Therefore, developing grid analysis algorithms is important for supporting reliable operations. These key tools include power flow analysis and system security analysis, both needed for effective operational and strategic planning. The literature review shows a growing trend of machine learning (ML) models that perform these analyses effectively. In particular, Graph Neural Networks (GNNs) stand out in such applications because of the graph-based structure of power grids. However, there is a lack of publicly available graph datasets for training and benchmarking ML models in electrical power grid applications. First, we present PowerGraph, which comprises GNN-tailored datasets for i) power flows, ii) optimal power flows, and iii) cascading failure analyses of power grids. Second, we provide ground-truth explanations for the cascading failure analysis. Finally, we perform a complete benchmarking of GNN methods for node-level and graph-level tasks and explainability. Overall, PowerGraph is a multifaceted GNN dataset for diverse tasks that includes power flow and fault scenarios with real-world explanations, providing a valuable resource for developing improved GNN models for node-level, graph-level tasks and explainability methods in power system modeling. The dataset is available at https://figshare.com/articles/dataset/PowerGraph/22820534 and the code at https://github.com/PowerGraph-Datasets.

研究の動機と目的

• 送電網における深刻なカスケード障害をオンライン検出するデータ駆動型ツールを提供する。
• グラフレベルタスクのために PyTorch Geometric で公開データセットを提供する。
• 送電網グラフを対象に、二値分類・多クラス分類・回帰をサポートする。
• 物理ベースのシミュレーションからの真のエッジマスクを用いた説明可能性ベンチマークを可能にする。

提案手法

• Cascades AC 物理ベースのカスケード障害モデルを用いて、複数のテストグリッド（IEEE24、IEEE39、UK、IEEE118）に跨る多様な停電シナリオをシミュレートする。
• 停電前状態を、ノードをバス、エッジを送電線とするグラフで表現し、バス特徴量とエッジ特徴量を正規化する。
• DNS 結果でラベル付けされたグラフのデータセットを生成し、異なるタスク（二値・多クラス・回帰）に対応させる。
• カスケーディング段階のエッジに対応する真のエッジ説明を提供し、説明可能性ベンチマークを支援する。
• グラフレベルタスクでの GNN アーキテクチャ（GCN、GINe、GAT、Transformer）をベンチマークし、真のマスクと比較して説明可能性手法を分析する。

Figure 1 : Workflow of the Cascades [ 23 ] model, used to simulate cascading failures in power grids. Separate runs of Cascades are performed for the different test power grids namely, IEEE24, IEEE39, UK, and IEEE118.

実験結果

リサーチクエスチョン

• RQ1 停電前のグリッド状態からカスケード障害の発生を GNN が予測できるか（二値分類）？
• RQ2 GNN は詳細なカスケードシナリオを区別できるか（多クラス分類）および最終 DNS を予測できるか（回帰）？
• RQ3 エッジ特徴を持つ電力網のグラフレベルタスクにおいて、異なる GNN アーキテクチャはどのように性能を示すか？
• RQ4 どの説明可能性手法が、カスケードエッジを真の説明として忠実に特定するか？

主な発見

• GCN、GINe、GAT、および Transformer は PowerGraph グリッド全体のグラフ分類タスクで高い性能を発揮し、エッジ特徴を考慮するモデルはエッジ特徴を無視するモデルよりも優れている。
• Transformer ベースのモデルは、データセット全体で二値分類および多クラス分類の最先端の結果を達成した。
• 回帰モデルは小規模グリッドで高い性能を示す一方、より大規模グリッドでは遅れが見られ、DNS の大きさ予測の正確性にはアーキテクチャの進歩が必要であることを示している。
• PowerGraph は、電力系統のグラフレベルタスクに対する真の説明を含む初の実世界 GNN データセットであり、説明可能性ベンチマークを可能にする。
• Saliency、Integrated Gradients、GradCAM、Occlusion などの説明可能性手法は、ほとんどのデータセットで高い balanced accuracy と fidelity+ を示すが、グリッドサイズと手法によって性能が異なる。

Figure 2 : Structure of one instance of the GNN dataset for an exemplary power grid. The same structure is kept for all the power grids in PowerGraph, IEEE24, IEEE39, UK, and IEEE118. We highlight the initial outage in red, the line is removed both from the graph connectivity matrix and from the edg