[논문 리뷰] PPGN: Physics-Preserved Graph Networks for Real-Time Fault Location in Distribution Systems with Limited Observation and Labels

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

Power Systems Fault Detection참고 문헌 16인용 수 9

한 줄 요약

이 논문은 제한된 PMU 관측과 낮은 레이블 비율 조건에서도 정확하고 실시간으로 고장을 진단할 수 있도록 전력망 물리 법칙을 통합한 물리 보존 그래프 신경망(PPGN)을 제안한다. 첫 번째 단계에서는 물리 기반 인접행렬을 사용하고 두 번째 단계에서는 통계적 유사성 기반 행렬을 사용함으로써, IEEE 123- 및 37노드 피더에서 부하 변화, 네트워크 구조 변화, 낮은 레이블 비율(최소 15%) 조건에서도 최신 기술 수준의 정확도—최대 99.9% LAR—를 달성한다.

ABSTRACT

Electrical faults may trigger blackouts or wildfires without timely monitoring and control strategy. Traditional solutions for locating faults in distribution systems are not real-time when network observability is low, while novel black-box machine learning methods are vulnerable to stochastic environments. We propose a novel Physics-Preserved Graph Network (PPGN) architecture to accurately locate faults at the node level with limited observability and labeled training data. PPGN has a unique two-stage graph neural network architecture. The first stage learns the graph embedding to represent the entire network using a few measured nodes. The second stage finds relations between the labeled and unlabeled data samples to further improve the location accuracy. We explain the benefits of the two-stage graph configuration through a random walk equivalence. We numerically validate the proposed method in the IEEE 123-node and 37-node test feeders, demonstrating the superior performance over three baseline classifiers when labeled training data is limited, and loads and topology are allowed to vary.

연구 동기 및 목표

• 희소한 PMU 관측과 낮은 레이블 가용성 조건에서 분포 전력망의 실시간 고장 위치 진단 문제를 해결한다.
• 부하 변화와 네트워크 구조 변화가 발생하는 확률적 환경에서 블랙박스 기반 머신러닝 모델의 한계를 극복한다.
• 특히 고장 전류의 희박성 특성을 포함한 전력망 물리 법칙을 그래프 신경망 아키텍처에 통합하여 모델의 강건성과 해석 가능성 향상을 도모한다.
• 저 supervision 조건에서 일반화 능력을 향상시키기 위해 네트워크 구조와 데이터 유사성을 별도로 모델링하는 두 단계 GNN 아키텍처를 개발한다.
• 네트워크 재구성 및 부하 변동을 포함한 다양한 운영 시나리오에서 모델의 강건성을 검증한다.

제안 방법

• 첫 번째 단계에서 분포 전력망의 물리적 구조를 기반으로 조정 가능한 인접행렬 $A$를 구성하여 그래프 임베딩에 구조 정보를 통합한다.
• 두 번째 단계에서는 레이블이 있는 및 없는 데이터 샘플 간의 통계적 관계에서 유도된 유사성 기반 인접행렬 $B$를 사용하는 두 번째 단계 그래프 신경망을 적용하여 일반화 능력을 향상시킨다.
• 두 단계 아키텍처는 국소적 구조 인코딩과 전역적 레이블 인식 표현 학습을 분리함으로써 더 나은 수렴성과 강건성을 가능하게 한다.
• 이론적 분석을 통해 두 단계 설계가 무작위 보행 과정과 등가임을 입증하여 장거리 의존성의 포착 및 일반화 향상에 효과적임을 정당화한다.
• 두 단계 전략을 사용해 모델을 훈련한다: 먼저 비라벨 데이터를 사용해 첫 번째 단계 GNN ($\mathcal{G}_\text{I}$)를 사전 훈련하고, 이후 레이블 데이터를 사용해 두 번째 단계 GNN ($\mathcal{G}_\text{II}$)를 미세조정한다.
• OpenDSS를 활용해 동적 전력 흐름 시뮬레이션을 수행하여 다양한 부하 및 스위치 상태 조건에서의 고장 시나리오를 생성하고, 이를 훈련 및 테스트에 활용한다.

실험 결과

연구 질문

• RQ1 물리 기반 그래프 신경망은 제한된 관측과 낮은 레이블 비율 조건에서도 분포 전력망에서 고장 위치 진단 정확도를 향상시킬 수 있는가?
• RQ2 고장 전류의 물리적 희박성을 통합함으로써 확률적 전력망 환경에서 모델의 일반화 능력은 어떻게 향상되는가?
• RQ3 기반 네트워크 구조와 데이터 유사성 기반의 두 개의 별도 인접행렬을 사용할 경우 모델 성능과 강건성에 어떤 영향을 미치는가?
• RQ4 제한된 레이블 데이터 조건에서 두 단계 훈련 전략은 종단 간 감독 훈련에 비해 수렴성과 정확도 측면에서 어떻게 비교되는가?
• RQ5 재훈련 없이도 모델은 새로운 네트워크 구조와 부하 변동에 얼마나 잘 일반화되는가?

주요 결과

• IEEE 123노드 피더에서 레이블 비율이 15%일 경우 PPGN은 99.9%의 LAR(위치 정확도 비율)를 달성하며, 모든 기준 모델을 능가한다.
• IEEE 37노드 피더에서 제안된 방법은 낮은 레이블 비율 조건에서 기존 감독 훈련 대비 최대 6%포인트의 LAR 향상을 기록한다.
• 모델은 모든 테스트 스위치 상태(예: Open 1-6, Close 7&8)에서 95% 이상의 LAR 유지를 보이며, 네트워크 재구성에 대한 강건성을 입증한다.
• 다양한 범위의 부하 변화($\Delta p$ 0.53에서 0.74 p.u.) 조건에서도 PPGN은 LAR가 95% 이상을 유지하며, GCN(55.1%) 및 CNN(82%) 기준 모델보다 뚜렷이 뛰어나다.
• 두 단계 훈련 전략은 더 나은 수렴성과 일반화 능력을 제공하며, 123노드 시스템에서 15% 레이블 비율 조건 하에 LAR${}^{\text{1-hop}}$가 98.9%에 도달한다.
• 무작위 보행과의 이론적 등가성은 두 단계에서 각각 구조적 학습과 통계적 학습을 위한 별도의 인접행렬 사용 전략의 타당성을 입증한다.