[論文レビュー] Deep Generative Graph Distribution Learning for Synthetic Power Grids

Mahdi Khodayar, Jianhui Wang+1 more|arXiv (Cornell University)|Jan 17, 2019

Advanced Graph Neural Networks参考文献 14被引用数 8

ひとこと要約

本稿では、再帰ニューラルネットワークを用いて母線および線路の非線形なトポロジー的・物理的特徴を捉えることで、実際の送電網のグラフ分布を学習する深層生成モデルDeepGDLを提案する。このモデルは、実世界のトポロジー的および潮流特性を非常に良く再現する合成送電網を生成し、GMMなどの先行手法に比べて複数の指標において高い精度を達成する。

ABSTRACT

Power system studies require the topological structures of real-world power networks; however, such data is confidential due to important security concerns. Thus, power grid synthesis (PGS), i.e., creating realistic power grids that imitate actual power networks, has gained significant attention. In this letter, we cast PGS into a graph distribution learning (GDL) problem where the probability distribution functions (PDFs) of the nodes (buses) and edges (lines) are captured. A novel deep GDL (DeepGDL) model is proposed to learn the topological patterns of buses/lines with their physical features (e.g., power injection and line impedance). Having a deep nonlinear recurrent structure, DeepGDL understands complex nonlinear topological properties and captures the graph PDF. Sampling from the obtained PDF, we are able to create a large set of realistic networks that all resemble the original power grid. Simulation results show the significant accuracy of our created synthetic power grids in terms of various topological metrics and power flow measurements.

研究の動機と目的

• 機密性の懸念から、公開可能なリアルな送電網データセットが不足している問題に対処するため。
• トポロジー的および物理的特性を保持する大規模な送電網を、データ効率的かつ一般化可能な方法で合成するため。
• 従来のモデル（例：GMM）が強い仮定に依存しており、送電網データの複雑な非線形関係を捉えることができないという限界を克服するため。
• 実世界の性能と構造を模倣する合成グリッドを用いて、正確な電力系統解析を可能にするため。
• 追加の外部データを必要とせず、トポロジーと物理的特徴のみで動作する深層学習ベースのフレームワークを提供するため。

提案手法

• 元の送電網をモジュラリティ最適化を用いてK個のコミュニティに分解することで、複雑なトポロジーの学習を簡素化する。
• 各コミュニティについて、ノードおよびエッジ特徴を置換順列τにより順序付けし、再帰処理に適した系列に変換する。
• GRUベースのアーキテクチャが、ノード特徴（緯度、経度、電力注入、需要）およびエッジ重み（リアクタンス）の分布を、2つの別個のSNNを用いて学習する。
• 学習されたパラメータξiFおよびξiΩを用いて、新たなノードおよびエッジをサンプリングし、統計的性質を保持する合成コミュニティを生成する。
• 密度の高い領域の低次数ノードを高次数ノードに接続することで、合成コミュニティを統合し、単一の連結ネットワークを確保する。
• 最終的な合成グリッドは、トポロジー的指標およびDC潮流の段階的故障シミュレーションにより検証される。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、実際の送電網の複雑で非線形なトポロジー的および物理的分布を効果的に学習し、再現できるか？
• RQ2 深層再帰モデルは、実際のネットワークのトポロジー的および潮流特性をどれほど正確に再現する合成送電網を生成できるか？
• RQ3 提案されたDeepGDLモデルは、GMMなどの既存手法に比べて、重要なネットワーク指標および潮流挙動をどれほど効果的に保持できるか？
• RQ4 トポロジーと物理的特徴以外の追加外部データを必要とせず、異なる送電網に一般化可能か？
• RQ5 生成された合成グリッドは、実世界の状況と同様の段階的故障シナリオに耐えうるほど十分に頑健か？

主な発見

• DeepGDLで生成された合成グリッドのノード次数平均は2.561（±0.08）であり、実際のグリッドの2.572に非常に近い。
• 合成グリッドの平均経路長は15.226（±0.29）であり、実際のグリッドの15.061と比較して、高いトポロジー的忠実性を示している。
• 合成グリッドの直径は36.71（±0.13）であり、実際のグリッドの37に非常に近い。これはグローバルな接続性が保持されていることを示している。
• 合成グリッドのモジュラリティQは0.952（±0.02）であり、実際のグリッドの0.953と一致しており、コミュニティ構造が保持されていることが確認された。
• 潮流解析において、合成グリッドの平均潮流は171.18 MW（±11.34）であり、実際のグリッドの168.93 MWと比較して高い正確性を示している。
• 合成グリッドは、平均潮流（171.18 vs. 110.25 MW）および標準偏差（11.34 vs. 479.08 MW）の両方においてGMMを上回っており、優れた安定性と現実性を示している。