[논문 리뷰] Graph neural networks for power grid operational risk assessment under evolving grid topology

Yadong Zhang, Pranav Karve외 1명|arXiv (Cornell University)|2024. 05. 12.

Smart Grid and Power SystemsEngineering인용 수 3

한 줄 요약

이 논문은 전력망 운영 위험을 수 시간 전에 예측하기 위해 그래프 신경망(GNN) 프레임워크를 제안한다. 입력으로 풍력, 태양광 및 부하의 확률적 예측을 사용하고, 목표로는 믹스드-인티저 선형계획(MILP) 기반 최적 전력 흐름 해를 사용한다. GNN은 시스템 수준, 지구 수준, 분기 수준의 위험(예: 부하 차단 및 과부하) 예측에서 높은 정확도를 달성하여, 실시간 위험 평가에서 계산 비용이 큰 MILP 솔버의 빠르고 신뢰할 수 있는 대체 수단으로 기능한다.

ABSTRACT

This article investigates the ability of graph neural networks (GNNs) to identify risky conditions in a power grid over the subsequent few hours, without explicit, high-resolution information regarding future generator on/off status (grid topology) or power dispatch decisions. The GNNs are trained using supervised learning, to predict the power grid's aggregated bus-level (either zonal or system-level) or individual branch-level state under different power supply and demand conditions. The variability of the stochastic grid variables (wind/solar generation and load demand), and their statistical correlations, are rigorously considered while generating the inputs for the training data. The outputs in the training data, obtained by solving numerous mixed-integer linear programming (MILP) optimal power flow problems, correspond to system-level, zonal and transmission line-level quantities of interest (QoIs). The QoIs predicted by the GNNs are used to conduct hours-ahead, sampling-based reliability and risk assessment w.r.t. zonal and system-level (load shedding) as well as branch-level (overloading) failure events. The proposed methodology is demonstrated for three synthetic grids with sizes ranging from 118 to 2848 buses. Our results demonstrate that GNNs are capable of providing fast and accurate prediction of QoIs and can be good proxies for computationally expensive MILP algorithms. The excellent accuracy of GNN-based reliability and risk assessment suggests that GNN models can substantially improve situational awareness by quickly providing rigorous reliability and risk estimates.

연구 동기 및 목표

• 고도로 재생 가능 에너지 비중이 높고 전력망의 위상이 불확실한 상황에서 실시간으로 수 시간 전의 운영 위험 평가 문제를 해결한다.
• 혼합정수선형계획(MILP) 문제를 푸는 데 드는 높은 계산 비용을 피할 수 있는 데이터 기반 대체 모델을 개발한다.
• 단일 장애 및 다단계 장애 이벤트를 포함한 시스템, 지구 및 분기 수준에서의 종합적 위험 정량화를 가능하게 한다.
• 변경되는 전력망 위상 상황에서 GNN이 부하 차단 및 분기 과부하와 같은 위험 지표를 예측하는 것의 가능성과 정확도를 입증한다.

제안 방법

• 풍력, 태양광 및 부하 수요의 시공간적으로 상관된 확률적 예측에서 유도된 합성 데이터를 사용해 GNN을 지도학습으로 훈련한다.
• 최적 전력 흐름 문제를 해결하기 위해 혼합정수선형계획(MILP)을 사용하고, 훈련을 위한 기준값(관심 있는 양)을 생성한다.
• 시스템 수준, 지구 수준 및 분기 수준의 관심 있는 양(QoIs)을 예측하기 위해 다수의 GNN 모델을 훈련한다. 이는 부하 차단 및 분기 전력 흐름을 포함한다.
• 몬테카를로 샘플링을 GNN 예측된 QoIs에 적용해 확률적 신뢰성 및 위험 평가를 수행하고, 단일 및 다단계 과부하 확률을 평가한다.
• cholesky 분해와 코풀라 기반 샘플링을 사용해 현실적이고 상관관계가 있는 전력망 변수의 시나리오를 생성한다.
• 118~2848 버스를 포함한 합성 전력망 케이스 스터디를 통해 GNN 예측 결과를 MILP 해와 비교 검증한다. 이는 Case1354pegase 및 Case2848rte 포함.

실험 결과

연구 질문

• RQ1 GNN은 미래 발전기 온오프 상태에 대한 명시적 지식 없이도 수 시간 전에 시스템 전체 및 분기 수준의 운영 위험 지표(예: 부하 차단, 과부하)를 정확히 예측할 수 있는가?
• RQ2 합성 확률적 예측 데이터로 훈련된 GNN이 다양한 전력망 크기와 위상에 대해 얼마나 잘 일반화되는가?
• RQ3 과부하 확률 및 결과 비용과 같은 주요 안정성 지표에서 GNN의 예측 정확도는 정확한 MILP 해와 비교해 어느 정도인가?
• RQ4 GNN이 실시간 전력망 운영에서 계산 비용이 큰 MILP 솔버를 대체함으로써 얼마나 신속하고 위험 기반 의사결정을 지원할 수 있는가?
• RQ5 GNN 기반 위험 평가에서 단일 장애와 다단계 장애 이벤트의 확률은 어떻게 비교되며, 이는 전력망의 회복력에 대해 어떤 통찰을 제공하는가?

주요 결과

• GNN은 시스템 수준 및 분기 수준의 위험 지표에 대해 MILP 기반 해와 비교해 극히 작은 오차 범위 내에서 높은 정확도를 달성했다.
• Case1354pegase에서 가장 취약한 분기의 과부하 확률은 GNN 예측 결과가 모든 시간 단계에서 정확히 1.0이었으며, MILP 기준값과 정확히 일치했다.
• 두 번째 및 세 번째로 취약한 분기의 경우, 다단계 평가에서 GNN 예측 과부하 확률은 각각 0.9 및 0.8이었으며, MILP 결과와 비교해 약간 높게 나타났지만 매우 정확했다.
• GNN 기반 과부하 위험 정량화 결과는 약간 보수적이었지만 극히 작은 오차 범위 내에 있었으며, 이는 GNN이 신뢰할 수 있는 대체 모델임을 확인했다.
• 이 방법은 오직 가장 중요한 분기들(예: 첫 번째부터 세 번째까지)만 위험 평가에 포함되어야 한다는 점을 성공적으로 규명했으며, 나머지 분기들의 과부하 확률은 0.5 이하였다.
• 대규모 합성 전력망(최대 2848 버스)에서도 프레임워크가 우수한 성능을 보였으며, 실생활 운영에 적용 가능한 확장성과 실용성을 입증했다.