PowerFlowNet: Power Flow Approximation Using Message Passing Graph Neural Networks

要約

正確で効率的なパワーフロー（PF）解析は、現代の電力ネットワークの運用と計画において極めて重要である。そのため、小規模な電力ネットワークから大規模な電力ネットワークまで、正確で高速なソリューションを提供できるスケーラブルなアルゴリズムが必要とされている。電力ネットワークはグラフとして解釈できるため、グラフニューラルネットワーク（GNN）は、基礎となるグラフ構造を介した情報共有を利用することで、PF近似の精度と速度を向上させる有望なアプローチとして浮上している。本研究では、PF近似のための新しいGNNアーキテクチャであるPowerFlowNetを紹介する。このアーキテクチャは、従来のニュートン・ラプソン法と同様の性能を示すが、単純なIEEE 14バスシステムでは4倍速く、フランスの高圧ネットワーク（6470rte）の現実的なケースでは145倍速く達成する。一方、性能と実行時間の点で、DC緩和法などの他の伝統的な近似法を大幅に凌駕しています。したがって、PowerFlowNetは実世界のPF解析において非常に有望なソリューションです。さらに、PowerFlowNetの性能、スケーラビリティ、解釈可能性、アーキテクチャ依存性を徹底的に検証する実験的評価を実施することで、本アプローチの有効性を検証する。この評価により、電力系統解析におけるGNNの挙動と潜在的な応用についての洞察が得られる。

要約(オリジナル)

Accurate and efficient power flow (PF) analysis is crucial in modern electrical networks’ operation and planning. Therefore, there is a need for scalable algorithms that can provide accurate and fast solutions for both small and large scale power networks. As the power network can be interpreted as a graph, Graph Neural Networks (GNNs) have emerged as a promising approach for improving the accuracy and speed of PF approximations by exploiting information sharing via the underlying graph structure. In this study, we introduce PowerFlowNet, a novel GNN architecture for PF approximation that showcases similar performance with the traditional Newton-Raphson method but achieves it 4 times faster in the simple IEEE 14-bus system and 145 times faster in the realistic case of the French high voltage network (6470rte). Meanwhile, it significantly outperforms other traditional approximation methods, such as the DC relaxation method, in terms of performance and execution time; therefore, making PowerFlowNet a highly promising solution for real-world PF analysis. Furthermore, we verify the efficacy of our approach by conducting an in-depth experimental evaluation, thoroughly examining the performance, scalability, interpretability, and architectural dependability of PowerFlowNet. The evaluation provides insights into the behavior and potential applications of GNNs in power system analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL