[논문 리뷰] Predicting Dynamic Stability of Power Grids using Graph Neural Networks

Christian Nauck, Michael Lindner외 6명|arXiv (Cornell University)|2021. 08. 16.

Power System Optimization and Stability참고 문헌 53인용 수 2

한 줄 요약

이 논문은 몬테카를로 샘플링을 활용해 생성한 20개 및 100개 노드로 구성된 가상의 전력망 데이터셋을 바탕으로, 단일 노드 기반 안정성(SNBS)을 통해 전력망의 동적 안정성을 예측하기 위해 그래프 신경망(GNN)을 제안한다. 더 작은 전력망에서 훈련된 GNN은 재학습 없이도 더 큰 전력망으로 일반화하는 데 성공적으로 기능하며, 전력망 규모 간에 강력한 이식성과 예측 성능를 보여준다.

ABSTRACT

The prediction of dynamical stability of power grids becomes more important and challenging with increasing shares of renewable energy sources due to their decentralized structure, reduced inertia and volatility. We investigate the feasibility of applying graph neural networks (GNN) to predict dynamic stability of synchronisation in complex power grids using the single-node basin stability (SNBS) as a measure. To do so, we generate two synthetic datasets for grids with 20 and 100 nodes respectively and estimate SNBS using Monte-Carlo sampling. Those datasets are used to train and evaluate the performance of eight different GNN-models. All models use the full graph without simplifications as input and predict SNBS in a nodal-regression-setup. We show that SNBS can be predicted in general and the performance significantly changes using different GNN-models. Furthermore, we observe interesting transfer capabilities of our approach: GNN-models trained on smaller grids can directly be applied on larger grids without the need of retraining.

연구 동기 및 목표

• 고재생 에너지 비중과 낮은 관성으로 인해 발생하는 전력망의 동적 안정성 예측 문제에 대응하기 위해.
• 그래프 신경망(GNN)을 사용해 전력망의 동기화 안정성 측정치인 단일 노드 기반 안정성(SNBS)을 예측할 수 있는지 평가하기 위해.
• 작은 전력망에서 훈련된 GNN 모델이 재학습 없이 더 큰, 더 복잡한 전력망으로 일반화 가능한지 조사하기 위해.
• 다양한 GNN 아키텍처 8종이 합성 전력망 구조에서 SNBS를 예측하는 데 성능을 비교하기 위해.

제안 방법

• 실제 전력망의 복잡한 구조를 반영하기 위해 20개 및 100개 노드를 가진 합성 전력망 데이터셋을 생성하였다.
• 몬테카를로 샘플링을 사용해 각 노드의 동적 안정성을 정량화하기 위해 단일 노드 기반 안정성(SNBS)을 추정하였다.
• 노드 회귀 설정에서 전체 그래프 구조를 입력으로 사용해 8종의 서로 다른 GNN 아키텍처를 훈련 및 평가하였다.
• 모델은 더 작은 전력망(20개 노드)에서 훈련하고 더 큰 전력망(100개 노드)에서 테스트하여 이식성 여부를 평가하였다.
• 노드 간 SNBS 값 예측의 회귀 정확도 기반으로 성능을 평가하였다.
• 그래프의 전체 구조를 단순화 없이 유지하여 예측 시 구조적 정밀도를 확보하였다.

실험 결과

연구 질문

• RQ1 그래프 신경망은 전력망에서 단일 노드 기반 안정성(SNBS)을 높은 정확도로 정확히 예측할 수 있는가?
• RQ2 GNN 모델 아키텍처의 선택이 SNBS 회귀 작업에서의 예측 성능에 어떤 영향을 미치는가?
• RQ3 작은 전력망에서 훈련된 GNN 모델은 재학습 없이 더 큰 전력망으로 일반화 가능한가?
• RQ4 GNN을 사용한 SNBS 예측에서 서로 다른 전력망 규모 간 이식성의 정도는 어느 정도인가?
• RQ5 어느 GNN 아키텍처가 전력망의 동적 안정성 예측에서 가장 높은 예측 정확도를 제공하는가?

주요 결과

• 다양한 아키텍처에서 GNN은 전력망에서 단일 노드 기반 안정성(SNBS)을 매우 높은 정확도로 성공적으로 예측할 수 있다.
• 예측 성능는 GNN 모델의 선택에 따라 크게 달라지며, 아키텍처 민감도가 뚜렷하다.
• 20개 노드 전력망에서 훈련된 GNN 모델은 재학습 없이도 100개 노드 전력망에 직접 적용했을 때 뛰어난 성능을 보였다.
• 이 접근법은 일반화가 효과적이고 강건한 특성을 보이며, 뚜렷한 이식성을 보여준다.
• 노드 수를 줄이거나 단순화하지 않더라도 전체 그래프 구조만으로도 정확한 SNBS 예측이 가능하다.
• 결과적으로 GNN은 고복잡도의 재생 에너지 통합 전력망에서 동적 안정성 예측을 위한 실현 가능하고 확장 가능한 접근법임을 확인하였다.