[論文レビュー] Reconstructing nodal pressures in water distribution systems with graph neural networks

Gergely Hajgató, Bálint Gyires-Tóth+1 more|arXiv (Cornell University)|Apr 28, 2021

Water Systems and Optimization参考文献 47被引用数 9

ひとこと要約

本稿では、水道配水網（WDS）におけるスパarsなセンサー測定値からノード圧力を再構築するためのグラフニューラルネットワーク（GNN）ベースの手法を提案する。スペクトルグラフ畳み込みと水力損失を符号化するためのエッジ重み戦略を活用することで、3つのベンチマークWDSにおいて5%の観測比で平均相対誤差が5%未満に抑えられ、補間正則化法を上回り、二値隣接行列でさえも高いロバスト性を示す。

ABSTRACT

Knowing the pressure at all times in each node of a water distribution system (WDS) facilitates safe and efficient operation. Yet, complete measurement data cannot be collected due to the limited number of instruments in a real-life WDS. The data-driven methodology of reconstructing all the nodal pressures by observing only a limited number of nodes is presented in the paper. The reconstruction method is based on K-localized spectral graph filters, wherewith graph convolution on water networks is possible. The effect of the number of layers, layer depth and the degree of the Chebyshev-polynomial applied in the kernel is discussed taking into account the peculiarities of the application. In addition, a weighting method is shown, wherewith information on friction loss can be embed into the spectral graph filters through the adjacency matrix. The performance of the proposed model is presented on 3 WDSs at different number of nodes observed compared to the total number of nodes. The weighted connections prove no benefit over the binary connections, but the proposed model reconstructs the nodal pressure with at most 5% relative error on average at an observation ratio of 5% at least. The results are achieved with shallow graph neural networks by following the considerations discussed in the paper.

研究の動機と目的

• 限られた計器装備による水道配水網におけるノード圧力監視の不完全さに対処すること。
• スパース観測から全ノード圧力信号を再構築するデータ駆動型でグラフベースのアプローチを開発すること。
• グラフニューラルネットワークが補間正則化などの既存の信号再構築手法を上回る性能を示すかを評価すること。
• 隣接行列の重み付け（二値対比・水力重み付き）が再構築精度に与える影響を調査すること。
• スマート水道グリッドにおけるリアルタイム圧力監視に適したスケーラブルで効率的なソリューションを提供すること。

提案手法

• 本手法は、グラフ構造のWDSトポロジにスペクトルフィルタリングを適用するChebNetベースのグラフ畳み込みネットワーク（GCN）を採用する。
• 管路抵抗と長さを用いて水力損失をエッジ重みとしてグラフ畳み込みに組み込むためのエッジ重み付け機構を導入する。
• 長距離の依存関係を捉えるために、高幅広の受容 field を持つ多層構造を採用する。
• 実時間変動するノード需要を想定したEPANETシミュレーションにより生成された合成データを用いて学習を実施する。
• モデル容量と一般化性能のバランスを最適化するため、Optunaフレームワークを用いてハイパーパramータを最適化する。
• 隣接行列を二値型と水力重み付きの両方でテストし、水力情報の明示的符号化の必要性を評価する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、スパースなセンサー測定データから水道配水網のノード圧力を高精度に再構築できるか？
• RQ2 エッジ重みに水力損失情報を組み込むことで再構築性能にどのような影響を与えるか？
• RQ3 GNNベースのアプローチは、補間正則化のような従来のパrameterフリーな信号再構築手法を上回るか？
• RQ4 水力重みなしで、高幅広層を備えた浅いGNNが、明示的な水力重みなしでどれほど正確な圧力再構築を達成できるか？
• RQ5 学習データから得た情報は、隣接行列に手動で符号化された水力特性を置き換えるのに十分か？

主な発見

• 3つのベンチマークWDS（Anytown, C-Town, Richmond）において、5%の観測比でノード圧力再構築の平均相対誤差が5%未満に抑えられた。
• すべてのテストケースで補間正則化法を上回り、優れた精度とロバスト性を示した。
• 二値隣接行列を用いた場合、水力重み付きエッジを用いた場合と同等またはそれ以上の性能を示し、GNNがデータから関連する水力情報を学習していることを示唆した。
• フィルタ数を各層で十分に高くすることで、浅いアーキテクチャでも高い精度を維持できた。
• 隠れ層の深さとチビシェフ多項式次数の組み合わせが、ネットワーク径を効果的に捉え、正確な信号伝搬を可能にした。
• 不実在の外れ値に対してもロバストであり、誤差が100%に達するノードはわずかに数個にとどまり、実際のWDS運用では無視できる水準であった。