[论文解读] 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 2

一句话总结

本文提出使用图神经网络（GNNs）通过单节点吸引域稳定性（SNBS）预测电力系统的动态稳定性，利用蒙特卡洛采样生成的20节点和100节点电网合成数据集进行训练。在较小电网上训练的GNN模型无需微调即可有效泛化至更大电网，展现出在不同电网规模间强大的迁移能力与预测性能。

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.

研究动机与目标

• 为应对高比例可再生能源渗透和低惯性条件下电力系统动态稳定性预测日益严峻的挑战。
• 评估图神经网络（GNNs）用于预测单节点吸引域稳定性（SNBS）作为电网同步稳定性度量的可行性。
• 探究在较小电网上训练的GNN模型是否可在不重新训练的情况下泛化至更大、更复杂的电网。
• 比较八种不同GNN架构在预测合成电力电网拓扑结构中SNBS表现的差异。

提出的方法

• 生成了包含20个和100个节点的合成电力电网数据集，以反映真实且复杂的电网结构。
• 使用蒙特卡洛采样估算单节点吸引域稳定性（SNBS），以量化每个节点的动态稳定性。
• 在节点回归设置下，对八种不同的GNN架构进行训练与评估，输入为完整的图结构。
• 将模型在较小电网（20个节点）上进行训练，并在更大电网（100个节点）上进行测试，以评估其迁移能力。
• 基于预测SNBS值在各节点上的回归精度评估模型性能。
• 完整保留图的拓扑结构，未进行简化，确保预测结果的结构保真度。

实验结果

研究问题

• RQ1 图神经网络能否在电力系统中高精度预测单节点吸引域稳定性（SNBS）？
• RQ2 模型架构如何影响GNN在SNBS回归任务中的预测性能？
• RQ3 在较小电网上训练的GNN模型是否可在不重新训练的情况下泛化至更大电网？
• RQ4 在SNBS预测中，不同电网规模之间的迁移能力有多大？
• RQ5 哪种GNN架构在电力系统动态稳定性预测中能实现最高的预测精度？

主要发现

• GNN能够以高精度在不同架构下成功预测电力系统中的单节点吸引域稳定性（SNBS）。
• 预测性能显著受GNN模型选择的影响，表明其对架构设计敏感。
• 在20节点电网上训练的GNN模型在未重新训练的情况下直接应用于100节点电网时仍表现出优异性能。
• 该方法展现出显著的迁移能力，即在不同电网规模间的泛化效果良好且稳健。
• 完整图结构已足够实现高精度的SNBS预测，无需简化或减少节点数量。
• 结果证实，GNN是一种可行且可扩展的动态稳定性预测方法，适用于复杂且集成可再生能源的电力系统。