[논문 리뷰] Reconstructing nodal pressures in water distribution systems with graph neural networks

Gergely Hajgató, Bálint Gyires-Tóth외 1명|arXiv (Cornell University)|2021. 04. 28.

Water Systems and Optimization참고 문헌 47인용 수 9

한 줄 요약

이 논문은 희박한 센서 측정치에서 수압 분포 시스템(WDS)의 절점 압력을 복원하기 위한 그래프 신경망(GNN) 기반 방법을 제안한다. 스펙트럴 그래프 컨볼루션과 수압 손실을 인코딩하기 위한 엣지 가중 전략을 활용함으로써, 세 가지 벤치마크 WDS에서 관측 비율 5%일 때 평균 상대 오차가 5% 이내로 나타나며, 보간 정규화 방법을 능가하고, 이중 인접 행렬 조건에서도 강인함을 입증한다.

ABSTRACT

Knowing the pressure at all times in each node of a water distribution system (WDS) facilitates safe and efficient operation. Yet, complete measurement data cannot be collected due to the limited number of instruments in a real-life WDS. The data-driven methodology of reconstructing all the nodal pressures by observing only a limited number of nodes is presented in the paper. The reconstruction method is based on K-localized spectral graph filters, wherewith graph convolution on water networks is possible. The effect of the number of layers, layer depth and the degree of the Chebyshev-polynomial applied in the kernel is discussed taking into account the peculiarities of the application. In addition, a weighting method is shown, wherewith information on friction loss can be embed into the spectral graph filters through the adjacency matrix. The performance of the proposed model is presented on 3 WDSs at different number of nodes observed compared to the total number of nodes. The weighted connections prove no benefit over the binary connections, but the proposed model reconstructs the nodal pressure with at most 5% relative error on average at an observation ratio of 5% at least. The results are achieved with shallow graph neural networks by following the considerations discussed in the paper.

연구 동기 및 목표

• 제한된 장비로 인한 수압 분포 시스템 내 절점 압력 모니터링의 부족 문제를 해결하기 위해.
• 희박한 관측치에서 전체 절점 압력 신호를 재구성하기 위한 데이터 기반, 그래프 기반 접근법을 개발하기 위해.
• 기존의 신호 복원 방법(예: 보간 정규화)과 비교해 그래프 신경망의 성능을 평가하기 위해.
• 인접 행렬의 가중치 설정(이진 vs. 수압 가중)이 복원 정확도에 미치는 영향을 조사하기 위해.
• 스마트 워터 그리드에서 실시간 압력 모니터링을 위한 확장 가능하고 효율적인 솔루션을 제공하기 위해.

제안 방법

• 그래프 구조의 WDS 구조에 대해 스펙트럴 필터링을 적용한 체브넷 기반 그래프 컨volution 네트워크(GCN)를 사용한다.
• 파이프의 저항과 길이를 활용해 수압 손실을 엣지 가중치에 통합하는 메커니즘을 도입한다.
• 장거리 상관관계를 포착하기 위해 고용도 수신 영역을 갖춘 다층 아키텍처를 사용한다.
• 실제 시간에 따라 변하는 절점 수요를 반영한 EPANET 시뮬레이션을 통해 생성된 합성 데이터로 훈련을 수행한다.
• 모델 용량과 일반화 능력의 균형을 확보하기 위해 Optuna 프레임워크를 사용해 하이퍼파rameter를 최적화한다.
• 인접 행렬을 이진형과 수압 가중형으로 나누어 테스트함으로써, 수압 정보를 명시적으로 인코딩할 필요가 있는지 평가한다.

실험 결과

연구 질문

• RQ1 그래프 신경망은 희박한 센서 데이터로부터 수압 분포 시스템의 절점 압력을 높은 정확도로 복원할 수 있는가?
• RQ2 엣지 가중치에 수압 손실 정보를 포함시킬 경우 복원 성능에 어떤 영향을 미치는가?
• RQ3 GNN 기반 접근법은 보간 정규화와 같은 전통적인, 매개변수 없는 신호 복원 방법보다 뛰어난 성능을 보이는가?
• RQ4 수압 가중치를 명시적으로 포함하지 않은 얕은 GNN이 고용도 레이어를 통해 정확한 압력 복원을 달성할 수 있는가?
• RQ5 학습 데이터에서 학습된 정보가 인접 행렬에 수동으로 인코딩된 수압 특성을 대체하는 데 충분한가?

주요 결과

• 모든 세 가지 벤치마크 WDS(Anytown, C-Town, Richmond)에서 관측 비율 5%일 때 GNN은 절점 압력 복원의 평균 상대 오차가 5% 이내로 나타난다.
• 모든 테스트 케이스에서 보간 정규화 방법보다 성능이 뛰어나 정확도와 강인함이 뛰어나다는 것을 입증한다.
• 이중 인접 행렬을 사용할 경우 수압 가중 엣지보다 유사하거나 더 좋은 성능을 기록함으로써, GNN이 데이터로부터 관련 수압 정보를 학습함을 시사한다.
• 필터 수가 각 레이어에서 충분히 높을 경우 얕은 아키텍처에서도 높은 정확도를 유지함으로써, 시스템 물리 법칙을 모델링할 수 있다.
• 은닉 레이어의 깊이와 체비셰프 다항식의 차수의 조합이 네트워크 지름을 효과적으로 포착하여 정확한 신호 전파를 가능하게 한다.
• 이상치에 대해 강인하며, 오직 몇몇 절점에서 오차가 최대 100%까지 발생하지만, 실질적인 WDS 운영에서는 무시할 수 있을 정도로 영향이 적다.