[论文解读] LEAP nets for power grid perturbations

Benjamin Donnot, Balthazar Donon+5 more|arXiv (Cornell University)|Aug 22, 2019

Topic Modeling参考文献 8被引用 8

一句话总结

本文提出 LEAP 网络，一种通过学习拓扑变化的潜在表征来建模电力系统扰动的神经网络架构，可在未在这些配置上进行训练的情况下实现对未见电网结构的超泛化。该方法在真实法国特高压电网数据上保持高精度的同时，相较于物理模拟器实现了高达 2000 倍的速度提升。

ABSTRACT

We propose a novel neural network embedding approach to model power transmission grids, in which high voltage lines are disconnected and reconnected with one-another from time to time, either accidentally or willfully. We call our architeture LEAP net, for Latent Encoding of Atypical Perturbation. Our method implements a form of transfer learning, permitting to train on a few source domains, then generalize to new target domains, without learning on any example of that domain. We evaluate the viability of this technique to rapidly assess cu-rative actions that human operators take in emergency situations, using real historical data, from the French high voltage power grid.

研究动机与目标

• 通过学习在训练拓扑之外仍能泛化的神经网络，加速输电网潮流计算。
• 解决罕见或复杂拓扑变化（如双线或多线故障）数据有限的挑战。
• 实现迁移学习，使在常见配置上训练的模型可泛化至罕见或未见配置，而无需微调或重新训练。
• 通过快速评估调度员操作性措施，支持实时应急决策。
• 为日益复杂的电网环境下的输电网调度员（TSO）开发可扩展、可部署的神经网络仿真器。

提出的方法

• LEAP 网络采用三部分架构：编码器 E 将输入功率注入 x 映射到潜在空间，潜在模块 Lτ 根据拓扑 τ 调制潜在表征，解码器 D 重建潮流 y。
• 潜在模块 Lτ 执行一个学习到的变换 h ↦ d(e(h) ⊙ τ)，其中 τ 为指示线路断开的二值向量，从而在潜在空间中实现对应于拓扑变化的‘跃迁’。
• 模型在参考拓扑 τ⁰ 和单一线路变化 τ⁽ⁱ⁾ 的数据上进行训练，但可泛化至双线及以上变化 τ⁽ⁱʲ⁾，而无需在这些情况下显式进行训练。
• 该架构通过在潜在空间中学习拓扑扰动的解耦表征，实现超泛化。
• 该方法使用可微分组件（E、Lτ、D），支持通过反向传播进行端到端训练。
• 该方法在合成（IEEE 118 节点）和真实法国图卢兹电网数据上进行了评估，并与基线 ResNet 和直流近似方法进行了比较。

实验结果

研究问题

• RQ1 仅在常见电网拓扑和单一线路变化上进行训练的神经网络，能否在无需微调或重新训练的情况下泛化至未见的复杂拓扑配置？
• RQ2 在拓扑扰动下，LEAP 网络架构与标准神经网络和直流近似方法在潮流预测性能上相比如何？
• RQ3 对拓扑变化的潜在空间建模在多大程度上能实现电力潮流预测中的超泛化？
• RQ4 与物理模拟器相比，LEAP 网络在真实电网场景中能实现多大的计算速度提升？
• RQ5 该方法能否有效应用于观测到的真实电网数据，其中精确的拓扑变化记录不完整？

主要发现

• 在合成的 IEEE 118 节点系统上，LEAP 网络相较于物理模拟器实现了 300 倍的速度提升，且方差显著低于基线模型。
• 在真实法国图卢兹特高压电网数据上，LEAP 网络使用单块 GPU 相较于物理模拟器实现了 2000 倍的速度提升。
• 在真实数据上，LEAP 网络在常规泛化（相同拓扑分布）和超泛化（未见拓扑变化）方面均优于基线 ResNet 架构。
• 即使在训练期间未见过的 2017 年 6 月和 7 月数据上测试，超泛化性能依然稳定且优于基线，表明对分布偏移具有强鲁棒性。
• 尽管缺少精确的拓扑记录，该方法仍能有效泛化，仅使用线路停运数据作为替代，这在真实运行数据中是常见情况。
• 理论分析表明，超泛化适用于线性扰动，但实验结果证实其可扩展至非线性组合，表明具有强大的泛化能力。