[논문 리뷰] Deep Generative Graph Distribution Learning for Synthetic Power Grids

Mahdi Khodayar, Jianhui Wang외 1명|arXiv (Cornell University)|2019. 01. 17.

Advanced Graph Neural Networks참고 문헌 14인용 수 8

한 줄 요약

이 논문은 실질적인 전력망의 그래프 분포를 비선형적 인접성 및 물리적 특성(버스 및 회로의 특성)을 포착하기 위해 순환 신경망을 사용하는 딥 생성 모델인 DeepGDL을 제안한다. 이 모델은 실제 전력망의 구조적 특성과 전력 흐름 특성을 밀도 있게 재현하는 합성 전력망을 생성하며, 기존의 GMM과 비교해 여러 지표에서 더 높은 정확도를 보인다.

ABSTRACT

Power system studies require the topological structures of real-world power networks; however, such data is confidential due to important security concerns. Thus, power grid synthesis (PGS), i.e., creating realistic power grids that imitate actual power networks, has gained significant attention. In this letter, we cast PGS into a graph distribution learning (GDL) problem where the probability distribution functions (PDFs) of the nodes (buses) and edges (lines) are captured. A novel deep GDL (DeepGDL) model is proposed to learn the topological patterns of buses/lines with their physical features (e.g., power injection and line impedance). Having a deep nonlinear recurrent structure, DeepGDL understands complex nonlinear topological properties and captures the graph PDF. Sampling from the obtained PDF, we are able to create a large set of realistic networks that all resemble the original power grid. Simulation results show the significant accuracy of our created synthetic power grids in terms of various topological metrics and power flow measurements.

연구 동기 및 목표

• 기밀성 문제로 인해 공개가 어려운 현실적인 전력망 데이터셋의 부족을 해결하기 위해.
• 구조적 및 물리적 특성을 유지하는 대규모 전력망을 데이터 효율적으로 합성할 수 있는 일반화 가능한 방법을 개발하기 위해.
• 기존 모델인 GMM과 마찬가지로 강한 가정에 의존하고 복잡한 비선형 관계를 포착하지 못하는 한계를 극복하기 위해.
• 실제 성능과 구조를 모방하는 합성 전력망을 통해 정확한 전력 시스템 분석을 가능하게 하기 위해.
• 추가 외부 데이터 없이도 오직 구조적 및 물리적 특성만으로도 작동하는 딥 러닝 기반 프레임워크를 제공하기 위해.

제안 방법

• 원래 전력망을 모듈래리티 최적화를 통해 K개의 커뮤니티로 분해하여 복잡한 구조를 학습하기 쉽게 만든다.
• 각 커뮤니티에 대해 순열 τ를 통해 노드 및 간선 특성을 정렬하여 그래프를 순차적 구조로 변환하고 순환 처리를 가능하게 한다.
• GRU 기반 아키텍처가 두 개의 별도 SNN을 통해 노드 특성(위도, 경도, 전력 주입, 수요)과 간선 가중치(유도성)의 분포를 학습한다.
• 학습된 파rameter ξiF 및 ξiΩ를 사용해 새로운 노드와 간선을 샘플링하고, 통계적 특성을 유지하는 합성 커뮤니티를 생성한다.
• 밀도가 높은 영역의 낮은 차수 노드와 높은 차수 노드를 연결하여 합성 커뮤니티를 융합함으로써 단일 연결 네트워크를 확보한다.
• 최종 합성 전력망은 구조적 지표와 DC 전력 흐름 연쇄 고장 시뮬레이션을 통해 검증된다.

실험 결과

연구 질문

• RQ1 딥 생성 모델이 실질 전력망의 복잡한 비선형적 인접성 및 물리적 분포를 효과적으로 학습하고 재현할 수 있는가?
• RQ2 딥 순환 모델이 실제 네트워크의 구조적 및 전력 흐름 특성과 유사한 합성 전력망을 얼마나 정확하게 생성할 수 있는가?
• RQ3 제안된 DeepGDL 모델이 기존 방법인 GMM에 비해 핵심 네트워크 지표 및 전력 흐름 행동을 얼마나 잘 유지하는가?
• RQ4 구조적 및 물리적 특성 외에 추가 외부 데이터 없이도 다양한 전력망에 일반화 가능한가?
• RQ5 합성 전력망이 실제 조건과 유사한 연쇄 고장 시나리오에 충분히 견딜 수 있는가?

주요 결과

• DeepGDL가 생성한 합성 전력망의 평균 차수는 2.561 (±0.08)이며, 실제 전력망의 2.572와 매우 유사하다.
• 합성 전력망의 평균 경로 길이는 15.226 (±0.29)이며, 실제 전력망의 15.061과 유사하여 높은 구조적 유사성을 보인다.
• 합성 전력망의 지름은 36.71 (±0.13)으로 실제 전력망의 37과 매우 가깝다. 이는 전역 연결성이 잘 유지되었음을 시사한다.
• 합성 전력망의 모듈래리티 Q는 0.952 (±0.02)이며, 실제 전력망의 0.953과 일치하여 커뮤니티 구조가 잘 유지됨을 확인한다.
• 전력 흐름 분석 결과, 합성 전력망의 평균 전력 흐름은 171.18 MW (±11.34)이며, 실제 전력망의 168.93 MW와 유사하여 높은 정확도를 보인다.
• 합성 전력망은 평균 전력 흐름(171.18 vs. 110.25 MW)과 표준편차(11.34 vs. 479.08 MW) 등 모든 핵심 지표에서 GMM을 능가하여 더 뛰어난 안정성과 현실성 확보를 확인한다.