[论文解读] Guiding Cascading Failure Search with Interpretable Graph Convolutional Network

Yu-Xiao Liu, Ning Zhang+4 more|arXiv (Cornell University)|Jan 30, 2020

Machine Learning and Data Classification参考文献 35被引用 15

一句话总结

该论文提出一种基于图卷积网络（GCN）的方法，通过利用网络拓扑结构减少模型参数并提高预测效率，从而加速电力系统中的在线级联故障搜索。该方法结合逐层相关性传播（LRP）实现高精度（总准确率达99.88%）与可解释性，使负载切除型级联故障路径的检测速度显著提升，仅需2160次搜索尝试，远超传统方法（如LODF和PFW）的性能表现。

ABSTRACT

Power system cascading failures become more time variant and complex because of the increasing network interconnection and higher renewable energy penetration. High computational cost is the main obstacle for a more frequent online cascading failure search, which is essential to improve system security. In this work, we show that the complex mechanism of cascading failures can be well captured by training a graph convolutional network (GCN) offline. Subsequently, the search of cascading failures can be significantly accelerated with the aid of the trained GCN model. We link the power network topology with the structure of the GCN, yielding a smaller parameter space to learn the complex mechanism. We further enable the interpretability of the GCN model by a layer-wise relevance propagation (LRP) algorithm. The proposed method is tested on both the IEEE RTS-79 test system and China's Henan Province power system. The results show that the GCN guided method can not only accelerate the search of cascading failures, but also reveal the reasons for predicting the potential cascading failures.

研究动机与目标

• 解决由于暂态故障分析中组合爆炸导致的在线级联故障搜索计算成本过高的问题。
• 克服现有电力系统机器学习模型存在的参数量大、可解释性差等局限性。
• 开发一种拓扑感知的深度学习模型，利用图卷积网络捕捉复杂的级联故障机制。
• 通过逐层相关性传播（LRP）实现故障预测的可解释性，以支持运行人员的理解与验证。
• 在电力系统实时安全评估中，提升对负载切除型级联故障路径的搜索效率。

提出的方法

• 将电力系统网络拓扑结构直接映射到GCN架构中，以减少模型参数并增强泛化能力。
• 在离线阶段使用模拟的级联故障数据训练GCN模型，学习从系统状态到负载切除结果的映射关系。
• 采用基于图的消息传递机制，将节点特征（如母线功率注入、线路潮流）在相邻母线和支路间进行聚合。
• 应用逐层相关性传播（LRP）对GCN预测结果进行解释，通过分配相关性分数至输入特征和网络边，实现可解释性分析。
• 将训练好的GCN作为引导模型集成到在线搜索流程中，优先对高风险故障路径进行物理仿真。
• 将GCN预测结果与物理潮流模型（如DC OPF）结合，以验证并优化检测到的级联故障序列。

实验结果

研究问题

• RQ1 在离线级联故障仿真数据上训练的GCN模型，能否有效加速在线关键级联故障路径的搜索？
• RQ2 与标准DNN或CNN相比，GCN的拓扑感知设计在降低参数量和提升泛化能力方面有何优势？
• RQ3 GCN模型在检测负载切除型级联故障方面，相较于传统搜索方法（如LODF、PFW、随机采样）能提升多少性能？
• RQ4 逐层相关性传播（LRP）能否提供有意义且可解释的故障触发因素分析？
• RQ5 基于GCN的方法是否在显著减少所需仿真尝试次数的同时，仍能保持高预测准确率？

主要发现

• GCN模型在测试集上达到99.88%的总准确率，显著优于DNN（94.16%）和CNN（98.44%）模型。
• GCN模型展现出30.13%的命中率和99.61%的覆盖率，表明其在识别实际负载切除事件方面表现优异。
• 在河南省级电力系统中，GCN方法在2,160次搜索尝试内检测到全部86条负载切除型级联故障路径，而LODF和PFW分别需34,822次和38,608次尝试。
• 与PFW方法相比，GCN方法将所需搜索尝试次数减少了90%以上，展现出卓越的搜索效率。
• LRP分析成功识别出导致故障传播的关键输电线路和母线，实现了可解释的根因诊断。
• GCN模型在不同系统配置下（包括IEEE RTS-79系统与中国河南电网）均表现稳健，验证了其强大的泛化能力。