[논문 리뷰] Physics-Informed Graph Learning for Robust Fault Location in Distribution Systems.

Wenting Li, Deepjyoti Deka|arXiv (Cornell University)|2021. 07. 05.

Advanced Graph Neural Networks참고 문헌 3인용 수 4

한 줄 요약

이 논문은 분포 시스템에서 희소 관측과 낮은 레이블 비율 조건에서도 강건한 고장 위치 특정을 위해 이중 단계로 구성된 물리 기반 그래프 신경망(GNN) 프레임워크를 제안한다. 이는 그리드의 구조적 구조와 레이블이 부여된 데이터와 부여되지 않은 데이터 간의 물리적 유사성을 활용하여 정확도를 향상시키며, IEEE 123노드 및 37노드 시스템에서 기존의 기준 모델들을 능가한다. 특히 구조적 변화나 하중 변화와 같은 분포 이탈 조건에서도 뛰어난 성능을 보인다.

ABSTRACT

The rapid growth of distributed energy resources potentially increases power grid instability. One promising strategy is to employ data in power grids to efficiently respond to abnormal events (e.g., faults) by detection and location. Unfortunately, most existing works lack physical interpretation and are vulnerable to the practical challenges: sparse observation, insufficient labeled datasets, and stochastic environment. We propose a physics-informed graph learning framework of two stages to handle these challenges when locating faults. Stage- I focuses on informing a graph neural network (GNN) with the geometrical structure of power grids; stage-II employs the physical similarity of labeled and unlabeled data samples to improve the location accuracy. We provide a random walk-based the underpinning of designing our GNNs to address the challenge of sparse observation and augment the correct prediction probability. We compare our approach with three baselines in the IEEE 123-node benchmark system, showing that the proposed method outperforms the others by significant margins, especially when label rates are low. Also, we validate the robustness of our algorithms to out-of-distribution-data (ODD) due to topology changes and load variations. Additionally, we adapt our graph learning framework to the IEEE 37-node test feeder and show high location performance with the proposed training strategy.

연구 동기 및 목표

• 희소 관측과 제한된 레이블 데이터를 가진 분포 시스템에서 고장 위치 특정의 과제를 해결한다.
• 구조적 변화와 하중 변동으로 인한 분포 이탈 데이터에 대한 모델의 강건성을 향상시킨다.
• 전력 시스템의 물리적 제약 조건을 그래프 신경망에 통합하여 해석 가능성과 정확도를 향상시킨다.
• 레이블이 부여된 샘플과 부여되지 않은 샘플 간의 물리적 유사성을 활용한 학습 전략을 개발하여 저수준 감독 조건에서도 성능을 향상시킨다.
• 표준 IEEE 시험 피더를 대상으로 프레임워크를 검증하여 일반화 가능성과 확장성을 입증한다.

제안 방법

• Stage-I는 무작위 워크 기반의 노드 샘플링을 사용한 GNN을 설계하여 전력망의 기하학적 구조를 유지함으로써, 희소 관측 조건에서도 표현 학습 성능을 향상시킨다.
• Stage-II는 레이블이 부여된 샘플과 부여되지 않은 샘플 간의 물리적 행동에 기반해 임베딩을 정렬하는 물리적 유사성 손실을 도입한다.
• 프레임워크는 전력계통의 일선도에서 유도된 구조적 인덕티브 바이어스와 전력 흐름 방정식에서 유도된 물리적 제약 조건을 통합한다.
• 이중 단계 학습 과정을 통해 먼저 구조적 표현을 최적화하고, 이후 물리적 일致성에 따라 정밀 조정하여 고장 위치 특정 성능을 향상시킨다.
• 메시지 전파 과정에서 노드의 중요도를 가중치로 고려하기 위해 그래프 컬러션 네트워크(GCN) 기반 아키텍처에 주의 메커니즘을 활용한다.
• 무작위 워크 샘플링은 GNN이 장거리 의존성을 포착하고, 레이블 데이터가 제한된 조건에서도 예측 신뢰도를 향상시킨다.

실험 결과

연구 질문

• RQ1 희소 관측과 낮은 레이블 비율 조건에서 물리 기반 GNN 프레임워크가 분포 시스템의 고장 위치 특정 정확도를 향상시킬 수 있는가?
• RQ2 레이블이 부여된 샘플과 부여되지 않은 샘플 간의 물리적 유사성을 통합할 경우 모델의 일반화 능력과 강건성이 어떻게 향상되는가?
• RQ3 구조적 변화나 하중 변동과 같은 분포 이탈 조건에서도 제안된 방법이 얼마나 효과적으로 유지되는가?
• RQ4 무작위 워크 기반 샘플링 전략은 자료가 부족한 상황에서 GNN 성능을 어떻게 향상시키는가?
• RQ5 IEEE 123노드 및 37노드 시스템과 같은 다양한 시험 피더에 대해 이 프레임워크는 일관된 성능을 유지하며 일반화 가능한가?

주요 결과

• 제안된 방법은 IEEE 123노드 시스템에서 세 가지 기준 모델보다 고장 위치 특정 정확도에서 뚜렷한 우월성을 보이며, 특히 낮은 레이블 비율 조건에서 두드러진다.
• 물리적 인덕티브 바이어스 덕분에 모델은 구조적 변화나 하중 변동과 같은 분포 이탈 데이터에 대해 높은 강건성을 유지한다.
• 무작위 워크 기반 샘플링은 희소 관측 조건에서 예측의 신뢰도를 향상시키고 오류율을 감소시킨다.
• 프레임워크는 동일한 학습 전략으로 IEEE 37노드 시험 피더에 대해서도 잘 일반화되어 고장 위치 특정 정확도가 높게 유지된다.
• Stage-II에서의 물리적 유사성 손실은 물리적으로 유사하지만 레이블이 부여되지 않은 샘플의 임베딩을 정렬함으로써 모델 성능을 향상시킨다.
• 이중 단계 설계는 구조적 학습과 물리적 일치성 간의 균형을 효과적으로 확보하여 실제 환경에서 뛰어난 일반화 성능을 이끌어낸다.