Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of Transient Stability for Changing Power Grid Topologies

要約

正確なオンライン過渡安定度予測は、外乱に直面したときに電力システムの安定性を確保するために重要です。
従来の過渡安定性解析は時間領域で応答しますが、シミュレーションは電力網トポロジの変化にすぐに適応できません。
高次元の電力網トポロジー構造情報をストリーミングデータを埋め込んだ低次元のノードベースのグラフにベクトル化するために、グラフ埋め込み動的特徴(GEDF)が提案されている。
過渡安定性 GEDF ベースの教師あり対比学習 (GEDF-SCL) モデルは、送電網トポロジー情報を考慮して、教師あり対比学習を使用して GEDF による過渡安定性を予測します。
提案された GEDF-SCL モデルのパフォーマンスを評価するために、IEEE 39 バス システム モデルに基づいてさまざまなトポロジの電力網が生成されました。
過渡動作データは、これらの生成された電力システム トポロジで N-1 および N-$\bm{m}$-1 の偶発事態をシミュレートすることによって取得されました。
テスト結果は、GEDF-SCL モデルが過渡安定性予測で高い精度を達成し、電力網トポロジーの変化にうまく適応できることを実証しました。

要約(オリジナル)

Accurate online transient stability prediction is critical for ensuring power system stability when facing disturbances. While traditional transient stablity analysis replies on the time domain simulations can not be quickly adapted to the power grid toplogy change. In order to vectorize high-dimensional power grid topological structure information into low-dimensional node-based graph embedding streaming data, graph embedding dynamic feature (GEDF) has been proposed. The transient stability GEDF-based supervised contrastive learning (GEDF-SCL) model uses supervised contrastive learning to predict transient stability with GEDFs, considering power grid topology information. To evaluate the performance of the proposed GEDF-SCL model, power grids of varying topologies were generated based on the IEEE 39-bus system model. Transient operational data was obtained by simulating N-1 and N-$\bm{m}$-1 contingencies on these generated power system topologies. Test result demonstrated that the GEDF-SCL model can achieve high accuracy in transient stability prediction and adapt well to changing power grid topologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google