[논문 리뷰] Graph Neural Networks for Learning Real-Time Prices in Electricity Market

Shaohui Liu, Chengyang Wu외 1명|arXiv (Cornell University)|2021. 06. 19.

Energy Load and Power Forecasting인용 수 7

한 줄 요약

이 논문은 전력망의 국지성 특성과 물리 기반 정규화를 활용하여 실시간 전력시장에서 위치별 마진 가격(LMPs)을 예측하는 그래프 신경망(GNN) 기반 프레임워크를 제안한다. 이 방법은 모델 복잡도를 감소시키고 변화하는 전력망 구조에 빠르게 적응할 수 있으며, 2383버스 시스템과 같은 대규모 시스템에서 완전히 연결된 신경망과 그래프 인포머드 딥 네트워크보다 확장성과 실현 가능성 면에서 뛰어나다.

ABSTRACT

Solving the optimal power flow (OPF) problem in real-time electricity market improves the efficiency and reliability in the integration of low-carbon energy resources into the power grids. To address the scalability and adaptivity issues of existing end-to-end OPF learning solutions, we propose a new graph neural network (GNN) framework for predicting the electricity market prices from solving OPFs. The proposed GNN-for-OPF framework innovatively exploits the locality property of prices and introduces physics-aware regularization, while attaining reduced model complexity and fast adaptivity to varying grid topology. Numerical tests have validated the learning efficiency and adaptivity improvements of our proposed method over existing approaches.

연구 동기 및 목표

• 실시간 전력시장에서 최적의 부하 분배(OPF)를 위한 기존 엔드 투 엔드 기계학습 모델의 확장성과 적응성 한계를 해결하기 위해.
• 위치별 마진 가격(LMPs)의 국지성 특성을 활용하여 일반화 성능 향상과 모델 복잡도 감소를 도모하기 위해.
• GNN에 물리 기반 정규화를 통합하여 예측된 OPF 해법의 실현 가능성 향상시키기 위해.
• 사전 훈련된 모델을 새로운 전력망 구조에 신속히 적응시켜 실시간 시장 운영을 지원하기 위해.
• 대규모 IEEE 테스트 시스템에서 완전히 연결된 신경망과 그래프 인포머드 딥 네트워크보다 예측 정확도와 실현 가능성 면에서 뛰어난 성능을 입증하기 위해.

제안 방법

• 프레임워크는 버스를 노드로, 송전선로를 간선으로 하는 그래프로 전력망을 모델링하여 LMP의 구조적 의존성을 포착한다.
• 손실 함수에 선로 수용량 한도 위반에 대한 페널티를 포함하는 물리 기반 정규화 항을 도입하여 해법의 실현 가능성 향상.
• 평균 제곱오차와 선로 한도 위반 페널티를 조합한 실현 가능성 정규화(FR) 손실 함수를 사용하여 OPF 해법을 엔드 투 엔드로 훈련.
• ReLU 활성화 함수와 고차수 그래프 필터를 활용한 그래프 컬러레이션 레이어를 사용하여 네트워크 전반에 정보를 전파하면서도 전력망 구조를 존중.
• 사전 훈련된 GNN 모델을 새로운 구조에 대해 3~5개의 추가 훈련 에포크만으로 미세조정하여 전이 학습 적용.
• MATPOWER가 생성한 데이터셋을 사용하여 PGLib-OPF 벤치마크의 ac-OPF(118버스) 및 dc-OPF(2383버스) 시스템에서 평가.

실험 결과

연구 질문

• RQ1 GNN 기반 모델은 물리적 네트워크 제약 조건을 준수하면서 실시간 위치별 마진 가격(LMPs)을 효과적으로 예측할 수 있는가?
• RQ2 예측 정확도와 실현 가능성 측면에서 제안된 GNN 프레임워크는 완전히 연결된 신경망과 그래프 인포머드 딥 네트워크보다 어떻게 비교되는가?
• RQ3 사전 훈련된 GNN 모델이 최소한의 재훈련으로 새로운 전력망 구조에 얼마나 잘 적응할 수 있는가?
• RQ4 물리 기반 정규화를 통합함으로써 대규모 시스템에서 예측된 OPF 해법의 실현 가능성은 향상되는가?
• RQ5 예측 성능을 훼손하지 않으면서도 GNN 프레임워크는 모델 복잡도를 어떻게 감소시킬 수 있는가?

주요 결과

• 제안된 GNN 모델은 118버스 및 2383버스 시스템에서 완전히 연결된 신경망과 그래프 인포머드 딥 네트워크와 비교해 유사하거나 뛰어난 LMP 예측 정확도를 달성한다.
• 실현 가능성 정규화(FR) 손실 함수는 특히 대규모 2383버스 시스템에서 선로 수용량 한도 위반을 크게 감소시켜 해법의 실현 가능성 향상에 기여한다.
• 완전히 연결된 신경망과 그래프 인포머드 딥 네트워크보다 GNN 모델은 매개변수 수를 크게 감소시켜 더 낮은 모델 복잡도를 입증한다.
• 랜덤으로 수정된 구조에서 사전 훈련된 GNN 모델은 낮은 예측 오차(평균 ± 표준편차)를 유지하여 강력한 일반화 능력을 보여준다.
• 단지 3~5개의 미세조정 에포크 후에도 GNN 모델은 새로운 구조에서 높은 예측 성능을 달성하여 빠른 적응성과 효과적인 전이 학습을 확인한다.
• 결과적으로 LMP의 국지성과 물리 기반 정규화를 활용함으로써 대규모 전력 시스템에서 정확하고 확장 가능하며 적응 가능한 실시간 시장 가격 예측이 가능하다는 것이 확인된다.