Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks

要約

気候変動を緩和するには、発電における再生可能エネルギーの割合を増やす必要があります。
再生可能エネルギーは、分散化、慣性の低減、生産の変動性による動的安定性に関して電力網に新たな課題をもたらします。
大規模な送電網では動的安定性シミュレーションは扱いにくく、非常に高価であるため、グラフ ニューラル ネットワーク (GNN) は送電網の動的安定性を解析する計算量を削減する有望な方法です。
GNN モデルのテストベッドとして、私たちは合成電力網の動的安定性に関する新しい大規模なデータセットを生成し、それらをオープンソース リソースとして研究コミュニティに提供します。
GNN はトポロジー情報のみから高度に非線形のターゲットを予測するのに驚くほど効果的であることがわかりました。
実用的なユースケースに適したパフォーマンスを初めて実現します。
さらに、これらのモデルが電力網内の特定の脆弱なノード、いわゆるトラブルメーカーを正確に特定する能力を実証します。
最後に、小規模グリッドでトレーニングされた GNN がテキサスの電力グリッドの大規模合成モデルで正確な予測を生成することがわかり、これは現実世界への応用の可能性を示しています。

要約(オリジナル)

To mitigate climate change, the share of renewable energies in power production needs to be increased. Renewables introduce new challenges to power grids regarding the dynamic stability due to decentralization, reduced inertia, and volatility in production. Since dynamic stability simulations are intractable and exceedingly expensive for large grids, graph neural networks (GNNs) are a promising method to reduce the computational effort of analyzing the dynamic stability of power grids. As a testbed for GNN models, we generate new, large datasets of dynamic stability of synthetic power grids, and provide them as an open-source resource to the research community. We find that GNNs are surprisingly effective at predicting the highly non-linear targets from topological information only. For the first time, performance that is suitable for practical use cases is achieved. Furthermore, we demonstrate the ability of these models to accurately identify particular vulnerable nodes in power grids, so-called troublemakers. Last, we find that GNNs trained on small grids generate accurate predictions on a large synthetic model of the Texan power grid, which illustrates the potential for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google