[论文解读] Graph neural networks for power grid operational risk assessment under evolving grid topology

Yadong Zhang, Pranav Karve+1 more|arXiv (Cornell University)|May 12, 2024

Smart Grid and Power SystemsEngineering被引用 3

一句话总结

该论文提出了一种图神经网络（GNN）框架，用于提前数小时预测电力系统运行风险，输入为风能、太阳能和负荷的随机预测，目标为基于混合整数线性规划（MILP）的最优潮流解。该GNN在预测系统级、区域级和支路级风险（如负荷切除和过载）方面表现出高精度，可作为计算成本高昂的MILP求解器在实时风险评估中的快速、可靠替代方案。

ABSTRACT

This article investigates the ability of graph neural networks (GNNs) to identify risky conditions in a power grid over the subsequent few hours, without explicit, high-resolution information regarding future generator on/off status (grid topology) or power dispatch decisions. The GNNs are trained using supervised learning, to predict the power grid's aggregated bus-level (either zonal or system-level) or individual branch-level state under different power supply and demand conditions. The variability of the stochastic grid variables (wind/solar generation and load demand), and their statistical correlations, are rigorously considered while generating the inputs for the training data. The outputs in the training data, obtained by solving numerous mixed-integer linear programming (MILP) optimal power flow problems, correspond to system-level, zonal and transmission line-level quantities of interest (QoIs). The QoIs predicted by the GNNs are used to conduct hours-ahead, sampling-based reliability and risk assessment w.r.t. zonal and system-level (load shedding) as well as branch-level (overloading) failure events. The proposed methodology is demonstrated for three synthetic grids with sizes ranging from 118 to 2848 buses. Our results demonstrate that GNNs are capable of providing fast and accurate prediction of QoIs and can be good proxies for computationally expensive MILP algorithms. The excellent accuracy of GNN-based reliability and risk assessment suggests that GNN models can substantially improve situational awareness by quickly providing rigorous reliability and risk estimates.

研究动机与目标

• 解决高比例可再生能源渗透和拓扑不确定性下电力系统实时、提前数小时的运行风险评估挑战。
• 开发一种数据驱动的代理模型，绕过求解混合整数线性规划（MILP）问题以获得最优潮流的高计算成本。
• 实现在系统、区域和支路层级的全面风险量化，包括独立事件和多步故障事件。
• 证明GNN在预测负荷切除和支路过载等风险指标方面的可行性与准确性，且在不断演变的电网拓扑下表现良好。

提出的方法

• 使用从风能、太阳能和负荷需求的时空相关随机预测中生成的合成数据，通过监督学习训练GNN。
• 采用混合整数线性规划（MILP）求解最优潮流问题，并生成用于训练的真值输出（感兴趣量，即QoIs）。
• 训练多个GNN模型，以预测系统级、区域级和支路级的感兴趣量（QoIs），包括负荷切除和支路潮流。
• 对GNN预测的QoIs应用蒙特卡洛采样，进行概率性可靠性和风险评估，评估独立事件和多步过载概率。
• 使用Cholesky分解和基于copula的采样方法，生成真实、相关的电网变量随机场景。
• 通过包含118至2848个母线的合成系统案例研究，验证GNN预测结果与MILP解的一致性，包括Case1354pegase和Case2848rte。

实验结果

研究问题

• RQ1 在未显式掌握未来发电机启停状态的情况下，GNN能否准确提前数小时预测系统级和支路级运行风险指标（如负荷切除、过载）？
• RQ2 当在合成的、基于概率的预测数据上进行训练时，GNN在不同电网规模和拓扑结构下的泛化能力如何？
• RQ3 与精确的MILP解相比，GNN在关键可靠性指标（如过载概率和后果成本）上的预测精度如何？
• RQ4 在实时电网运行中，GNN在多大程度上能够通过替代计算密集型的MILP求解器，支持快速、风险驱动的决策？
• RQ5 在基于GNN的风险评估中，独立事件与多步故障事件的概率如何比较？它们为电网韧性提供了哪些见解？

主要发现

• 与基于MILP的解相比，GNN在系统级和支路级风险指标上的预测误差极小，精度极高。
• 在Case1354pegase中，所有时间步长下最脆弱支路的过载概率预测值为1.0，与MILP参考解完全一致。
• 对于第二和第三大脆弱支路，GNN在多步评估中的过载概率预测值分别为0.9和0.8，略高于真实值但与MILP结果高度一致。
• 基于GNN的支路过载风险量化结果略为保守，但误差在可忽略范围内，证实其作为代理模型的可靠性。
• 该方法成功识别出仅最关键的支路（如前三位）需纳入风险评估，其余支路的过载概率均低于0.5。
• 该框架在大规模合成电网（最多2848个母线）上表现出稳健性能，证明了其在实际电网运行中的可扩展性和实用性。