[논문 리뷰] Self-Supervised Graph Neural Networks for Optimal Substation Reconfiguration

Antoine Martinez, Balthazar Donon외 2명|arXiv (Cornell University)|2026. 03. 24.

Optimal Power Flow Distribution인용 수 0

한 줄 요약

이 논문은 최적 변전소 재구성을 Graph Neural Networks(GNN)을 활용한 암묵적 자기지도 학습 문제로 재정의하여 토폴로지를 빠르게 제안하고, 모든-폐쇄 기준 대비 평균 10.2% 이익을 달성하는 반면 MILP는 훨씬 더 높은 계산 시간으로 15.2%를 달성한다.

ABSTRACT

Changing the transmission system topology is an efficient and costless lever to reduce congestion or increase exchange capacities. The problem of finding the optimal switch states within substations is called Optimal Substation Reconfiguration (OSR), and may be framed as a Mixed Integer Linear Program (MILP). Current state-of-the-art optimization techniques come with prohibitive computing times, making them impractical for real-time decision-making. Meanwhile, deep learning offers a promising perspective with drastically smaller computing times, at the price of an expensive training phase and the absence of optimality guarantees. In this work, we frame OSR as an Amortized Optimization problem, where a Graph Neural Network (GNN) model -- our data being graphs -- is trained in a self-supervised way to improve the objective function. We apply our approach to the maximization of the exchange capacity between two areas of a small-scale 12-substations system. Once trained, our GNN model improves the exchange capacity by 10.2% on average compared to the all connected configuration, while a classical MILP solver reaches an average improvement of 15.2% with orders-of-magnitude larger computing times.

연구 동기 및 목표

• 실시간 OSR을 위한 계산 시간 단축을 통해 MILP 기반 솔루션 대비 동기를 부여합니다.
• OSR을 Hyper Heterogeneous Multi Graphs (H2MGs)에서 자기지도 학습 GNN으로 해결 가능한 암묵적 최적화 문제로 프레이밍합니다.
• 두 지역 간 교환 용량을 극대화하는 12-자기소스 테스트 케이스에서 시범 개념을 보여줍니다.
• OSR을 위한 그래디언트 기반 학습이 가능하도록 연속 대리 최적화 접근 방식을 개발하고 검증합니다.

제안 방법

• OSR을 MILP로 프레이밍한 다음 스위치 동작에 대한 볼츠만 기반 분포를 사용하는 연속 대리 최적화 문제로 전환합니다.
• 맥락을 대리 결정 z로 매핑하는 GNN-NODE(신경 미분방정식 포함)에서의 자기지도 학습 루프를 도입합니다.
• 두 가지 그래디언트 추정기(Filtered MC 및 Memory Table)와 강건성 향상을 위한 앙상블 전략을 사용합니다.
• 전력 주입, 부하 및 토폴로지의 분산이 있는 대규모 합성 데이터 세트에서 학습하고 All Closed, MILP 솔버 및 GNN 감독기준선과 비교합니다.
• 암묵적 최적화 목표를 제공: f_rho^beta(z;x)를 최소화하고 기대 대리 손실을 맥락 분포에 대해 최소화하도록 theta를 최적화합니다.

실험 결과

연구 질문

• RQ1 자기지도 학습 GNN이 레이블이 된 최적 토폴로지 없이 OSR 성능을 향상시킬 수 있는가?
• RQ2 실시간 추론을 제공하면서 GNN 기반 접근법이 MILP 이득에 얼마나 근접할 수 있는가?
• RQ3 OSR의 이산적 토폴로지 결정에 효과적인 학습을 가능하게 하는 대리 그래디언트 전략은 무엇인가?
• RQ4 다양한 그리드 맥락과 토폴로지에 걸쳐 GNN이 얼마나 잘 일반화되는가?

주요 결과

• GNN 기반 접근법(Filtered MC, Memory Table, Ensemble)은 All Closed 기준선보다 평균 교환 용량에서 우수한 성과를 보입니다.
• MILP 솔버는 평균 개선이 더 높아 15.2%이지만 계산 시간이 한 차례에 비해 수십 배 길며; Ensemble은 10.2% 평균 개선에 도달하여 격차를 좁힙니다.
• All Closed 기준은 0.0 정규화 용량을 보이고 MILP는 1.0을 보이며, GNN 방법은 모델에 따라 0.26–0.50의 부분적 정규화를 달성합니다.
• Filtered MC 및 Ensemble은 용량을 지속적으로 향상시키고 MILP는 평균적으로 약 6개의 스위치를 여는 반면, GNN은 약 2개의 스위치를 여는 경향이 있습니다; 많은 스위치가 GNN에서 사용되지 않습니다.
• GNN 추론 시간은 배치당 약 100 ms인 반면 MILP는 종종 10분 제한에 도달하여 실시간 적용 가능성을 강조합니다.
• Memory Table 및 Supervised 기준선은 어떤 맥락에서 All Closed에 비해 저조한 성능을 보일 수 있는 반면, Filtered MC 및 Ensemble은 결과를 견고하게 개선합니다.