[論文レビュー] Predicting Dynamic Stability of Power Grids using Graph Neural Networks

Christian Nauck, Michael Lindner+6 more|arXiv (Cornell University)|Aug 16, 2021

Power System Optimization and Stability参考文献 53被引用数 2

ひとこと要約

本稿では、モンテカルロサンプルを用いて生成した20ノードおよび100ノードのグリッドの合成データセットを活用し、グラフニューラルネットワーク（GNN）を用いて1ノードごとの安定性領域（SNBS）を介した電力グリッドの動的安定性を予測する手法を提案する。20ノードのグリッドで学習したGNNは再訓練なしに100ノードのグリッドへも効果的に一般化でき、グリッド規模を越えて強い転送性と予測性能を示した。

ABSTRACT

The prediction of dynamical stability of power grids becomes more important and challenging with increasing shares of renewable energy sources due to their decentralized structure, reduced inertia and volatility. We investigate the feasibility of applying graph neural networks (GNN) to predict dynamic stability of synchronisation in complex power grids using the single-node basin stability (SNBS) as a measure. To do so, we generate two synthetic datasets for grids with 20 and 100 nodes respectively and estimate SNBS using Monte-Carlo sampling. Those datasets are used to train and evaluate the performance of eight different GNN-models. All models use the full graph without simplifications as input and predict SNBS in a nodal-regression-setup. We show that SNBS can be predicted in general and the performance significantly changes using different GNN-models. Furthermore, we observe interesting transfer capabilities of our approach: GNN-models trained on smaller grids can directly be applied on larger grids without the need of retraining.

研究の動機と目的

• 再生可能エネルギーの導入率が高く慣性が低い電力グリッドにおける動的安定性予測の課題を解決すること。
• グラフニューラルネットワーク（GNN）を用いて、グリッド同期安定性の指標である1ノード安定性領域（SNBS）を予測する可能性を評価すること。
• 20ノードのグリッドで学習したGNNモデルが、再訓練なしにより大規模で複雑なグリッドへ一般化できるかを調査すること。
• 合成電力グリッド構造において、8種類の異なるGNNアーキテクチャのSNBS予測性能を比較すること。

提案手法

• 実際の複雑なグリッド構造を反映するように、20ノードおよび100ノードの合成電力グリッドデータセットを生成した。
• ノードごとの動的安定性を定量化するために、モンテカルロサンプルを用いて1ノード安定性領域（SNBS）を推定した。
• ノード回帰設定において、8種類の異なるGNNアーキテクチャを学習・評価し、入力として完全なグラフ構造を用いた。
• モデルは小規模グリッド（20ノード）で学習し、大規模グリッド（100ノード）でテストすることで、転送性を評価した。
• ノードごとのSNBS値の予測における回帰精度に基づいて性能を評価した。
• グラフ構造を簡略化せずに保持したため、予測において構造の正確性が保証された。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、電力グリッドにおける1ノード安定性領域（SNBS）を高精度に予測できるか？
• RQ2 GNNモデルのアーキテクチャの選択が、SNBS回帰タスクにおける予測性能にどのように影響するか？
• RQ3 20ノードのグリッドで学習したGNNモデルは、再訓練なしに100ノードのグリッドへ一般化できるか？
• RQ4 GNNを用いたSNBS予測において、異なるグリッドサイズ間での転送性の範囲はどの程度か？
• RQ5 どのGNNアーキテクチャが、再生可能エネルギー統合型複雑電力システムにおける動的安定性予測で最高の予測精度を達成するか？

主な発見

• GNNは、さまざまなアーキテクチャにおいても、電力グリッドにおける1ノード安定性領域（SNBS）を高い精度で予測できる。
• 予測性能はGNNモデルの選択に大きく依存しており、アーキテクチャに感受性があることが示された。
• 20ノードのグリッドで学習したGNNモデルは、再訓練なしに100ノードのグリッドに直接適用しても高い性能を示した。
• 本手法は顕著な転送性を示しており、グリッド規模を越えて効果的かつ強固な一般化が可能である。
• グラフの完全な構造を保持したまま、簡略化やノード削減なしに正確なSNBS予測が可能である。
• 結果から、GNNは複雑で再生可能エネルギーが統合された電力システムにおける動的安定性予測の実用的でスケーラブルな手法であることが確認された。