[論文レビュー] Self-Supervised Graph Neural Networks for Optimal Substation Reconfiguration

Antoine Martinez, Balthazar Donon+2 more|arXiv (Cornell University)|Mar 24, 2026

Optimal Power Flow Distribution被引用数 0

ひとこと要約

要約: この論文は最適な変電所再構成を、グラフニューラルネットワークを用いた amortized 自己教師付き学習問題として再定式化し、トポロジを迅速に提案、全閉鎖比に対して平均ゲイン10.2%を達成する一方、MILPは計算時間がはるかに長いが15.2%の改善を達成。

ABSTRACT

Changing the transmission system topology is an efficient and costless lever to reduce congestion or increase exchange capacities. The problem of finding the optimal switch states within substations is called Optimal Substation Reconfiguration (OSR), and may be framed as a Mixed Integer Linear Program (MILP). Current state-of-the-art optimization techniques come with prohibitive computing times, making them impractical for real-time decision-making. Meanwhile, deep learning offers a promising perspective with drastically smaller computing times, at the price of an expensive training phase and the absence of optimality guarantees. In this work, we frame OSR as an Amortized Optimization problem, where a Graph Neural Network (GNN) model -- our data being graphs -- is trained in a self-supervised way to improve the objective function. We apply our approach to the maximization of the exchange capacity between two areas of a small-scale 12-substations system. Once trained, our GNN model improves the exchange capacity by 10.2% on average compared to the all connected configuration, while a classical MILP solver reaches an average improvement of 15.2% with orders-of-magnitude larger computing times.

研究の動機と目的

• MILP ベースの解決策と比べて計算時間を短縮することによるリアルタイム OSR の動機づけ。
• OSR を Hyper Heterogeneous Multi Graphs (H2MGs) 上で自己教師付き GNN によって解ける amortized 最適化問題として位置づける。
• 2エリア間の交換容量を最大化する12 サブステーションの試験ケースで概念実証を示す。
• OSR のための GNN の勾配ベースの訓練を可能にする連続代替最適化アプローチを開発・検証する。

提案手法

• OSR を MILP として定式化し、スイッチ操作のボルツマン分布を用いた連続代替最適化問題として表現する。
• H2MGNODE（Neural ODEs を備えた GNN）上で context を代替決定 z に写像する自己教師付き訓練ループを導入。
• 2つの勾配推定器（Filtered MC と Memory Table）とアンサンブル戦略を用いて頑健性を向上。
• 注入・負荷・トポロジのばらつきがある大規模合成データセットで訓練し、All Closed、MILP ソルバー、GNN 監督付きベースラインと比較。
• アマルダイズド最適化目的を提供する：f_rho^beta(z;x) を最小化し、文脈分布上の期待代替損失を最小化するよう θ を最適化。

実験結果

リサーチクエスチョン

• RQ1 自己教師付き GNN がラベル付き最適トポロジを使わずに OSR の性能を向上させることを学習できるか。
• RQ2 リアルタイム推論を提供しつつ GNN ベースの手法が MILP の利得にどれだけ近づくか。
• RQ3 OSR における離散的トポロジ決定の効果的な訓練を可能にする代替勾配戦略は何か。
• RQ4 多様なグリッド文脈とトポロジを横断して GNN がどれだけ一般化するか。

主な発見

Model	Mean Exchange Capacity per Context	Mean Normalized Capacity per Context	Mean Improvement over All Closed	Mean Number of Openings per Context	Mean Usage Percentage per Switch	Number of Switches Never Used
All Closed	10.26	0.0	0.00%	0.0	0.00%	57
MILP Solver	11.62	1.0	15.2%	6.0	10.5%	0
GNN Supervised	10.75	0.26	5.55%	2.4	4.18%	8.33
GNN Filtered MC	10.93	0.26	8.13%	1.1	1.97%	20.33
GNN Memory Table	10.95	0.41	7.42%	2.1	3.74%	12.66
GNN Ensemble	11.14	0.50	10.2%	2.1	3.73%	11

• GNN ベースのアプローチ（Filtered MC、Memory Table、アンサンブル）は All Closed ベースラインを平均交換容量で上回る。
• MILP ソルバーは平均的な改善が高い（15.2%）が計算時間は桁違いに長い; アンサンブルは平均10.2%の改善を達成し、ギャップを縮小。
• All Closed ベースラインは正規化容量0.0、MILPは1.0を示す一方、GNN 手法はモデルに応じて0.26〜0.50の部分的正規化を達成。
• Filtered MC と Ensemble は一貫して容量を改善; MILP は平均で約6つのスイッチを開くが、GNN は約2つのスイッチを開く程度; 多くのスイッチは GNN によって使用されない。
• GNN の推論時間はバッチ8あたり約100 ms、MILP はしばしば10分の制限に達することがあり、リアルタイム適用性を強調。
• Memory Table および Supervised ベースラインは一部の文脈で All Closed よりも下回る場合がある一方、Filtered MC と Ensemble は頑健に結果を改善。