[论文解读] Graph Neural Networks for Learning Real-Time Prices in Electricity Market

Shaohui Liu, Chengyang Wu+1 more|arXiv (Cornell University)|Jun 19, 2021

Energy Load and Power Forecasting被引用 7

一句话总结

本文提出了一种基于图神经网络（GNN）的框架，通过利用LMP的局部性特性和物理感知正则化，实现实时电力市场中的节点边际电价（LMP）预测。该方法显著降低了模型复杂度，并实现了对电网拓扑变化的快速适应，相较于全连接网络和图感知深度网络，在大规模系统（如2383母线系统）中的可扩展性和可行性方面表现更优。

ABSTRACT

Solving the optimal power flow (OPF) problem in real-time electricity market improves the efficiency and reliability in the integration of low-carbon energy resources into the power grids. To address the scalability and adaptivity issues of existing end-to-end OPF learning solutions, we propose a new graph neural network (GNN) framework for predicting the electricity market prices from solving OPFs. The proposed GNN-for-OPF framework innovatively exploits the locality property of prices and introduces physics-aware regularization, while attaining reduced model complexity and fast adaptivity to varying grid topology. Numerical tests have validated the learning efficiency and adaptivity improvements of our proposed method over existing approaches.

研究动机与目标

• 解决现有端到端机器学习模型在实时电力市场最优潮流（OPF）中面临的可扩展性和适应性局限性。
• 利用节点边际电价（LMP）的局部性特性，以提升泛化能力并降低模型复杂度。
• 将基于物理的正则化引入GNN，以增强预测OPF解的可行性。
• 实现预训练模型对新电网拓扑的快速适应，支持实时市场运行。
• 在大型IEEE测试系统上，证明其在预测精度和可行性方面优于全连接网络和图感知深度网络。

提出的方法

• 该框架采用GNN架构，将电网建模为图结构，母线作为节点，输电线路作为边，以捕捉LMP中的拓扑依赖关系。
• 引入一种物理感知正则化项，将其加入损失函数以惩罚线路潮流越限，从而提升解的可行性。
• 使用结合均方误差和线路潮流越限惩罚的可行性正则化（FR）损失函数，对OPF解进行端到端训练。
• GNN利用带有ReLU激活函数的图卷积层和高阶图滤波器，实现信息在网络中的传播，同时尊重电网拓扑结构。
• 通过仅需3–5个额外训练周期的微调，对预训练GNN模型进行迁移学习，以适应新拓扑。
• 在PGLib-OPF基准的ac-OPF（118母线）和dc-OPF（2383母线）系统上，使用MATPOWER生成的数据集对方法进行评估。

实验结果

研究问题

• RQ1 基于GNN的模型能否在尊重物理网络约束的前提下，有效预测实时节点边际电价（LMP）？
• RQ2 所提出的GNN框架在预测精度和可行性方面，与全连接网络和图感知深度神经网络相比表现如何？
• RQ3 预训练的GNN模型在仅需少量微调的情况下，对新电网拓扑的适应能力有多强？
• RQ4 在大规模系统中，引入物理感知正则化是否能提升预测OPF解的可行性？
• RQ5 该GNN框架是否能在不牺牲预测性能的前提下，实现模型复杂度的降低？

主要发现

• 所提出的GNN模型在118母线和2383母线系统上，LMP预测精度与全连接网络和图感知深度网络相当或更优。
• 可行性正则化（FR）损失函数显著减少了线路潮流越限，尤其在2383母线的大规模系统中，大幅提升了解的可行性。
• 与全连接网络和图感知深度网络相比，GNN模型显著降低了参数量，证明了其更低的模型复杂度。
• 在随机修改的拓扑上，预训练GNN模型保持了较低的预测误差（均值±标准差），表明其具有强大的泛化能力。
• 仅经过3–5次微调训练后，GNN模型在新拓扑上即达到高精度预测性能，证实了其快速适应性和高效的迁移学习能力。
• 结果表明，利用LMP的局部性与物理感知正则化，可实现在大规模电力系统中准确、可扩展且自适应的实时市场电价预测。