[论文解读] 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 8

一句话总结

本文提出 DeepGDL，一种深度生成模型，通过使用循环神经网络捕捉母线和线路的非线性拓扑与物理特性，学习真实电力网络的图分布。该模型生成的合成电力网络能高度模拟真实世界的拓扑结构与潮流特性，在多个指标上优于先前的 GMM 方法。

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.

研究动机与目标

• 为解决因保密顾虑导致公开可用的真实电力网络数据集缺乏的问题。
• 开发一种可泛化、数据高效的方法，用于生成大规模电力网络，同时保留其拓扑与物理特性。
• 克服现有模型（如 GMM）的局限性，后者依赖强假设，无法捕捉电网数据中复杂的非线性关系。
• 通过生成模拟真实世界性能与结构的合成电网，实现对电力系统的精确研究。
• 提供一种基于深度学习的框架，仅需最少输入（仅拓扑与物理特征），无需额外外部数据。

提出的方法

• 该方法通过模块度优化将原始电力网络分解为 K 个社区，以简化对复杂拓扑的学习。
• 对每个社区，通过排列 τ 对节点与边特征进行排序，将图转化为序列以供循环处理。
• 基于 GRU 的架构通过两个独立的 SNN 分别学习节点特征（纬度、经度、功率注入、负荷）与边权重（电抗）的分布。
• 模型利用学习到的参数 ξiF 与 ξiΩ 对新节点与边进行采样，生成保留统计特性的合成社区。
• 通过将密集区域中的低度节点连接至高度节点，将合成社区合并，以确保生成单一连通网络。
• 最终通过拓扑指标与直流潮流级联故障仿真对合成电网进行验证。

实验结果

研究问题

• RQ1 深度生成模型能否有效学习并重现真实电力网络复杂的非线性拓扑与物理分布？
• RQ2 深度循环模型在多大程度上能准确生成与真实网络拓扑与潮流特性相匹配的合成电力网络？
• RQ3 所提出的 DeepGDL 模型在保留关键网络指标与潮流行为方面，相较于现有方法（如 GMM）的优越程度如何？
• RQ4 该模型是否能在无需额外外部数据（仅拓扑与物理特征）的前提下，泛化至不同电力网络？
• RQ5 生成的合成电网是否足够稳健，能够抵御类似真实世界条件的级联故障场景？

主要发现

• DeepGDL 生成的合成电网节点度平均值为 2.561（±0.08），与实际电网的 2.572 非常接近。
• 合成电网的平均路径长度为 15.226（±0.29），与实际电网的 15.061 相当，表明具有出色的拓扑保真度。
• 合成电网的直径为 36.71（±0.13），与实际电网的 37 非常接近，表明全局连通性得以保留。
• 合成电网的模块度 Q 为 0.952（±0.02），与实际电网的 0.953 相符，证实社区结构得以保持。
• 在潮流分析中，合成电网的平均潮流为 171.18 MW（±11.34），与实际电网的 168.93 MW 相当，表明精度较高。
• 合成电网在所有关键指标上均优于 GMM，包括平均潮流（171.18 vs. 110.25 MW）与标准差（11.34 vs. 479.08 MW），表明其具有更优的稳定性与真实性。