[论文解读] PIDGeuN: Graph Neural Network-Enabled Transient Dynamics Prediction of Networked Microgrids Through Full-Field Measurement

Yu Yin, Xinyuan Jiang+2 more|arXiv (Cornell University)|Apr 18, 2022

Microgrid Control and Optimization被引用 4

一句话总结

本文提出PIDGeuN，一种物理信息图神经网络，仅利用可测量的全场母线状态，即可预测联网微电网中的瞬态动态。通过整合物理信息消息传递与基尔霍夫定律约束损失函数，PIDGeuN在不依赖不可测量内部状态的前提下，实现了准确、鲁棒的长期瞬态预测，其在完整和初始瞬态响应情况下的表现均优于基线模型。

ABSTRACT

A Physics-Informed Dynamic Graph Neural Network (PIDGeuN) is presented to accurately, efficiently and robustly predict the nonlinear transient dynamics of microgrids in the presence of disturbances. The graph-based architecture of PIDGeuN provides a natural representation of the microgrid topology. Using only the state information that is practically measurable, PIDGeuN employs a time delay embedding formulation to fully reproduce the system dynamics, avoiding the dependency of conventional methods on internal dynamic states such as controllers. Based on a judiciously designed message passing mechanism, the PIDGeuN incorporates two physics-informed techniques to improve its prediction performance, including a physics-data-infusion approach to determining the inter-dependencies between buses, and a loss term to respect the known physical law of the power system, i.e., the Kirchhoff's law, to ensure the feasibility of the model prediction. Extensive tests show that PIDGeuN can provide accurate and robust prediction of transient dynamics for nonlinear microgrids over a long-term time period. Therefore, the PIDGeuN offers a potent tool for the modeling of large scale networked microgrids (NMs), with potential applications to predictive or preventive control in real time applications for the stable and resilient operations of NMs.

研究动机与目标

• 解决由于高分布式能源渗透导致惯性降低的联网微电网（NMs）中非线性瞬态动态预测的挑战。
• 克服传统方法依赖于不可测量内部状态（如控制器动态）的局限性。
• 利用图神经网络自然表示微电网拓扑结构，并通过空间依赖性提升预测精度。
• 将物理定律（特别是基尔霍夫电流定律）整合到学习过程中，以确保模型可行性并提升鲁棒性。
• 开发一种数据驱动、可扩展的框架，适用于大规模NMs中的实时预测或预防性控制。

提出的方法

• 采用基于图的架构，其中母线为节点，线路为边，从而自然建模微电网拓扑结构。
• 使用可测量母线状态（电压、有功/无功功率）的时间延迟嵌入，以重构系统动态，而无需依赖内部控制器状态。
• 设计一种物理信息消息传递机制，结合数据驱动的注意力权重与基于导纳的物理权重，以建模母线间的依赖关系。
• 在损失函数中引入物理信息损失项，强制在每个母线处满足基尔霍夫电流定律，确保预测电流之和为零，从而提升预测可行性。
• 在图卷积层中使用切比雪夫多项式，以近似谱传播并实现高效长距离信息传递。
• 使用负载变化的瞬态响应数据端到端训练模型，同时优化预测精度与物理一致性。

实验结果

研究问题

• RQ1 图神经网络是否能仅基于可测量的全场状态，有效预测联网微电网中的长期瞬态动态？
• RQ2 与纯数据驱动的图神经网络相比，集成物理信息消息传递在预测精度和鲁棒性方面有何提升？
• RQ3 在损失函数中强制执行基尔霍夫电流定律在多大程度上提升了模型的物理可行性与泛化能力？
• RQ4 多项式阶数、隐藏维度和输入序列长度等超参数如何影响预测性能与计算成本？
• RQ5 该模型是否能泛化到频繁负载波动下的完整瞬态响应和初始瞬态动态？

主要发现

• PIDGeuN在预测完整瞬态响应时，显著低于基线模型的C-RMSE，准确捕捉了系统频率、阻尼比和最终平衡状态。
• 与标准图神经网络和线性模型（C1）相比，其表现大幅领先，完整响应情况下C-RMSE降低超过50%。
• 物理信息损失项有效约束了参数空间，使预测更具可行性，并显著提升了泛化能力，尤其在长期仿真中表现突出。
• 将切比雪夫多项式阶数 $K$ 从1提高到5可降低预测误差，但 $K > 3$ 时增益微乎其微，$K=7$ 时导致过拟合和误差上升。
• 隐藏层大小 $D=128$ 在模型容量与预测精度之间提供了良好平衡，且性能对 $D$ 相对不敏感。
• 在输入序列中包含两个时间步（$C=2$）已提供足够的时序上下文；进一步增加 $C$ 仅带来边际改善，表明系统中长期时序依赖性有限。