[논문 리뷰] PIDGeuN: Graph Neural Network-Enabled Transient Dynamics Prediction of Networked Microgrids Through Full-Field Measurement

Yu Yin, Xinyuan Jiang외 2명|arXiv (Cornell University)|2022. 04. 18.

Microgrid Control and Optimization인용 수 4

한 줄 요약

이 논문은 전기계통의 전체 측정 버스 상태만을 사용하여 네트워크화된 마이크로그리드의 일시적 거동을 예측하는 물리정보 기반 그래프 신경망인 PIDGeuN을 제안한다. 물리정보 기반 메시지 전파와 킬히호프의 전류 법칙을 고려한 손실 함수를 통합함으로써, 측정 불가능한 내부 상태에 의존하지 않고도 정확하고 견고하며 장기적인 일시적 예측을 달성한다. 이는 완전한 일시적 응답과 초기 일시적 응답의 두 경우 모두에서 기존의 기준 모델들을 능가한다.

ABSTRACT

A Physics-Informed Dynamic Graph Neural Network (PIDGeuN) is presented to accurately, efficiently and robustly predict the nonlinear transient dynamics of microgrids in the presence of disturbances. The graph-based architecture of PIDGeuN provides a natural representation of the microgrid topology. Using only the state information that is practically measurable, PIDGeuN employs a time delay embedding formulation to fully reproduce the system dynamics, avoiding the dependency of conventional methods on internal dynamic states such as controllers. Based on a judiciously designed message passing mechanism, the PIDGeuN incorporates two physics-informed techniques to improve its prediction performance, including a physics-data-infusion approach to determining the inter-dependencies between buses, and a loss term to respect the known physical law of the power system, i.e., the Kirchhoff's law, to ensure the feasibility of the model prediction. Extensive tests show that PIDGeuN can provide accurate and robust prediction of transient dynamics for nonlinear microgrids over a long-term time period. Therefore, the PIDGeuN offers a potent tool for the modeling of large scale networked microgrids (NMs), with potential applications to predictive or preventive control in real time applications for the stable and resilient operations of NMs.

연구 동기 및 목표

• 고 DER 비율에 의한 관성 감소로 인해 비선형 일시적 거동을 예측하는 데 어려움을 겪는 네트워크화된 마이크로그리드(NMs)의 문제를 해결한다.
• 컨트롤러 동역학 등 측정이 불가능한 내부 상태에 의존하는 전통적 방법의 한계를 극복한다.
• 그래프 신경망을 활용하여 마이크로그리드의 구조를 자연스럽게 표현하고, 공간적 종속성을 통해 예측 정확도를 향상시킨다.
• 특히 킬히호프의 전류 법칙을 학습 과정에 통합하여 모델의 타당성과 견고성을 향상시킨다.
• 실시간 예측 또는 예방적 제어에 적합한 데이터 기반이며 확장 가능한 프레임워크를 개발한다.

제안 방법

• 버스를 노드로, 선로를 엣지로 사용하는 그래프 기반 아키텍처를 도입하여 마이크로그리드의 구조를 자연스럽게 모델링한다.
• 측정 가능한 버스 상태(전압, 유공/무공 전력)의 시간 지연 임베딩을 사용하여 내부 제어기 상태가 필요 없이 시스템 거동을 재구성한다.
• 데이터 기반 어텐션 가중치와 물리 기반 어드미ittance 가중치를 조합한 물리정보 기반 메시지 전파 메커니즘을 설계하여 버스 간 종속성을 모델링한다.
• 각 버스에서 킬히호프의 전류 법칙을 강제하는 물리정보 기반 손실 항목을 통합하여 예측된 전류 합이 0이 되도록 하고, 예측의 타당성을 향상시킨다.
• 스펙트럼 전파를 근사하고 효율적인 장거리 정보 전파를 가능하게 하기 위해 그래프 컨벌루션 레이어에서 체비셰프 다항식을 활용한다.
• 부하 변화에 따른 일시적 응답 데이터를 사용하여 예측 정확도와 물리적 일관성을 동시에 최적화하는 방식으로 모델을 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 측정 가능한 전체 현장 상태만을 사용하여 그래프 신경망이 네트워크화된 마이크로그리드에서 장기적인 일시적 거동을 효과적으로 예측할 수 있는가?
• RQ2 물리정보 기반 메시지 전파를 통합할 경우 순수 데이터 기반 GNN에 비해 예측 정확도와 견고성이 얼마나 향상되는가?
• RQ3 손실 함수에 킬히호프의 전류 법칙을 적용할 경우 모델의 물리적 타당성과 일반화 능력은 얼마나 향상되는가?
• RQ4 다항식 차수, 은닉 차원, 입력 시퀀스 길이와 같은 하이퍼파rameter가 예측 성능과 계산 비용에 미치는 영향은 어떠한가?
• RQ5 모델은 빈번한 부하 변동 상황에서도 완전한 일시적 응답과 초기 일시적 거동 모두에 대해 일반화 가능한가?

주요 결과

• PIDGeuN은 완전한 일시적 응답 예측에서 기준 모델들보다 유의미하게 낮은 C-RMSE를 기록하여 시스템 주파수, 감쇠 비율, 최종 평형 상태를 정확히 포착한다.
• 표준 GNN과 선형 모델(C1)에 비해 큰 성능 향상을 보이며, 완전한 응답 케이스에서 C-RMSE가 50% 이상 감소한다.
• 물리정보 기반 손실 항목은 매개변수 공간을 효과적으로 제약하여 더 타당한 예측과 일반화 능력을 향상시키며, 특히 장기 시뮬레이션에서 두드러진다.
• 체비셰프 다항식 차수 $K$를 1에서 5로 증가시킬수록 예측 오차가 감소하지만, $K > 3$에서는 이득이 미미하고 $K=7$일 경우 과적합이 발생하여 오차가 증가한다.
• 은닉 레이어 크기 $D=128$가 모델 용량과 예측 정확도 사이의 균형을 잘 이루며, 성능은 $D$에 대해 상대적으로 민감하지 않다.
• 입력 시퀀스에 두 개의 타임스텝($C=2$)을 포함하는 것만으로도 충분한 시간적 맥락을 확보할 수 있으며, $C$를 더 늘려도 성능 향상이 미미하여 시스템 내 장기적인 시간 의존성이 제한적임을 시사한다.