Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs

要約

タイトル：PMUsを用いた堅牢、高速、スケーラブルな線形状態推定のためのファクターグラフ上でのグラフニューラルネットワーク

要約：

– PMUsが送電力システムでより広く使用されるようになるにつれて、高いサンプルレートを活用できる高速な状態推定（SE）アルゴリズムが必要となっています。
– それを実現するために、PMUの電圧と電流の測定値から複雑なバス電圧推定を学習するために、グラフニューラルネットワーク（GNN）を使用する方法を提案します。
– さらに、各種の測定値をシンプルなファクターグラフ上に統合するためにGNNのオリジナル実装を提案します。さらに、GNNの予測の堅牢性を改善するために、ファクターグラフを拡張しています。
– このモデルは、計算量が送電力システムのノード数に比例するため、高く効率的でスケーラブルです。
– 訓練とテストの例は、ランダムにサンプリングされた電力システムの測定値のセットをアノテートし、PMUsを使用した線形SEの正確なソリューションで注釈をつけました。
– 数値結果は、GNNモデルがSEソリューションの正確な近似値を提供することを示しています。
– さらに、通常はSE問題を見えなくするPMUの機能障害や通信障害によるエラーが局所的な影響を及ぼし、他の送電力システムの結果を劣化させないことが示されています。

要約(オリジナル)

As phasor measurement units (PMUs) become more widely used in transmission power systems, a fast state estimation (SE) algorithm that can take advantage of their high sample rates is needed. To accomplish this, we present a method that uses graph neural networks (GNNs) to learn complex bus voltage estimates from PMU voltage and current measurements. We propose an original implementation of GNNs over the power system’s factor graph to simplify the integration of various types and quantities of measurements on power system buses and branches. Furthermore, we augment the factor graph to improve the robustness of GNN predictions. This model is highly efficient and scalable, as its computational complexity is linear with respect to the number of nodes in the power system. Training and test examples were generated by randomly sampling sets of power system measurements and annotated with the exact solutions of linear SE with PMUs. The numerical results demonstrate that the GNN model provides an accurate approximation of the SE solutions. Furthermore, errors caused by PMU malfunctions or communication failures that would normally make the SE problem unobservable have a local effect and do not deteriorate the results in the rest of the power system.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI