[論文レビュー] PPGN: Physics-Preserved Graph Networks for Real-Time Fault Location in Distribution Systems with Limited Observation and Labels

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

Power Systems Fault Detection参考文献 16被引用数 9

ひとこと要約

本稿では、限られたPMU観測と低ラベルレートの下で正確かつリアルタイムに故障位置を特定できる、物理学を保存するグラフネットワーク（PPGN）を提案する。PPGNは、第一段階で物理的トポロジーに基づく物理情報付き隣接行列を、第二段階で統計的類似性に基づく行列を用いる二段階のGNNアーキテクチャを採用し、負荷変動、トポロジー変更、低ラベル率（最低15％）の下でもIEEE 123ノードおよび37ノードの給電系統で最先端の精度（最大99.9％LAR）を達成する。

ABSTRACT

Electrical faults may trigger blackouts or wildfires without timely monitoring and control strategy. Traditional solutions for locating faults in distribution systems are not real-time when network observability is low, while novel black-box machine learning methods are vulnerable to stochastic environments. We propose a novel Physics-Preserved Graph Network (PPGN) architecture to accurately locate faults at the node level with limited observability and labeled training data. PPGN has a unique two-stage graph neural network architecture. The first stage learns the graph embedding to represent the entire network using a few measured nodes. The second stage finds relations between the labeled and unlabeled data samples to further improve the location accuracy. We explain the benefits of the two-stage graph configuration through a random walk equivalence. We numerically validate the proposed method in the IEEE 123-node and 37-node test feeders, demonstrating the superior performance over three baseline classifiers when labeled training data is limited, and loads and topology are allowed to vary.

研究の動機と目的

• 限られたPMU観測と低ラベル可用性の下で、配電系統におけるリアルタイムの故障位置特定の課題に対処すること。
• 負荷変動やトポロジー変更が生じる確率的環境において、ブラックボックス型機械学習モデルの限界を克服すること。
• 特に故障電流のスパarsity（疎らかさ）に着目した配電系統の物理法則をグラフニューラルネットワークフレームワークに統合し、耐性と解釈可能性を向上させること。
• 低監視下での一般化を向上させるために、ネットワーク構造とデータ類似性を別々にモデル化する二段階のGNNアーキテクチャを開発すること。
• トポロジー再構成や負荷変動を含む多様な運用状況において、モデルの耐性を検証すること。

提案手法

• 第一段階で、配電ネットワークの物理的トポロジーに基づき、調整可能な隣接行列$A$を構築することで、グラフ埋め込みに構造的情報を埋め込む。
• 第二段階で、ラベルありおよびラベルなしデータサンプル間の統計的関係から導出される類似性に基づく隣接行列$B$を用いたグラフニューラルネットワークを採用し、一般化性能を向上させる。
• 二段階のアーキテクチャは、局所的構造符号化とグローバルなラベルに依存する表現学習を分離することで、収束性と耐性の向上を実現する。
• 理論的分析により、二段階設計がランダムウォークプロセスと等価であることが示され、長距離依存関係の捉え込みと一般化の向上に有効であることが裏付けられる。
• 二段階戦略を用いてモデルを訓練する：まず第一段階のGNN（$\mathcal{G}_\text{I}$）をラベルなしデータで事前学習し、次に第二段階のGNN（$\mathcal{G}_\text{II}$）をラベル付きデータで微調整する。
• OpenDSSを活用して動的潮流シミュレーションを実施し、訓練およびテスト用に負荷やスイッチ状態を変化させた多様な故障シナリオを生成する。

実験結果

リサーチクエスチョン

• RQ1 物理情報付きグラフニューラルネットワークは、配電系統における観測が限定的でラベルレートが低い状況でも、故障位置特定の精度を向上させることができるか？
• RQ2 故障電流の物理的スパarsityを統合することで、確率的配電系統環境下でのモデル一般化性能はどのように向上するか？
• RQ3 トポロジーに基づくとデータ類似性に基づく、二つの異なる隣接行列を用いることで、モデルの性能と耐性にどのような影響を与えるか？
• RQ4 限られたラベル付きデータの下で、二段階トレーニング戦略は、エンドツーエンドの教師あり学習に比べて収束性と精度で優れているか？
• RQ5 再トレーニングなしで、未観測のトポロジーと負荷変動にどの程度一般化できるか？

主な発見

• IEEE 123ノード給電系統では、わずか15％のラベルデータでPPGNが99.9％のLAR（位置特定精度率）を達成し、すべてのベースラインを上回る。
• IEEE 37ノード給電系統では、低ラベルレート下で、従来の教師あり学習に比べてLARが最大6ポイント向上した。
• スイッチ状態（例：Open 1-6、Close 7&8）のすべてのテスト条件下で、LARが95％以上を維持し、トポロジー再構成に対する耐性を示した。
• 負荷変動（$\Delta p$：0.53～0.74 p.u.）の異なる範囲で、PPGNはLARが95％以上を維持したが、GCN（55.1％）やCNN（82％）のベースラインに比べ顕著に優れた性能を示した。
• 二段階トレーニング戦略により、収束性と一般化性能が向上し、123ノード系で15％ラベルレート下でもLAR${}^{\text{1-hop}}$が98.9％に達した。
• ランダムウォークとの理論的同等性により、二段階で構造的学習と統計的学習に別々の隣接行列を使用する設計選択の妥当性が裏付けられた。