Scalability and Sample Efficiency Analysis of Graph Neural Networks for Power System State Estimation

要約

データ主導の状態推定 (SE) は、リアルタイムの測定データを使用してシステムの動作をより効率的に分析できるため、最新の電力システムでますます重要になっています。
この論文では、ファクター グラフに適用されるグラフ ニューラル ネットワーク (GNN) に基づく、フェーザー測定ユニットのみの状態推定器を徹底的に評価します。
GNN モデルのサンプル効率を評価するために、さまざまなトレーニング セット サイズで複数のトレーニング実験を実行します。
さらに、GNN モデルのスケーラビリティを評価するために、さまざまなサイズの電力システムで実験を行います。
私たちの結果は、GNN ベースの状態推定器が高い精度とデータの効率的な使用を示すことを示しています。
さらに、メモリ使用量と推論時間の両方の点でスケーラビリティが実証されており、最新の電力システムにおけるデータ駆動型 SE の有望なソリューションとなっています。

要約(オリジナル)

Data-driven state estimation (SE) is becoming increasingly important in modern power systems, as it allows for more efficient analysis of system behaviour using real-time measurement data. This paper thoroughly evaluates a phasor measurement unit-only state estimator based on graph neural networks (GNNs) applied over factor graphs. To assess the sample efficiency of the GNN model, we perform multiple training experiments on various training set sizes. Additionally, to evaluate the scalability of the GNN model, we conduct experiments on power systems of various sizes. Our results show that the GNN-based state estimator exhibits high accuracy and efficient use of data. Additionally, it demonstrated scalability in terms of both memory usage and inference time, making it a promising solution for data-driven SE in modern power systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google