Cascading Blackout Severity Prediction with Statistically-Augmented Graph Neural Networks

要約

再生可能エネルギーの普及拡大と異常気象の発生率の増加に起因する送電網の状態の変動性の増大により、壊滅的な連鎖故障につながる可能性のあるシナリオをスクリーニングすることが困難になっています。
カスケード停電のリスクを評価するための従来の電力潮流ベースのツールは遅すぎて、起こり得る障害の空間や負荷/発電パターンを適切に調査できません。
私たちは、より高速なグラフ ニューラル ネットワーク (GNN) ベースの技術に関する文献の増加に加え、グリッドの初期状態からブラックアウトの規模を推定するための 2 つの新しい技術を開発しました。
まず、マグニチュード推定の前に安全な「非停電」シナリオをフィルタリングするための初期分類ステップを採用するためのいくつかの方法を提案します。
次に、カスケード停電の統計的特性からの洞察を使用して、GNN モデルでの非ローカル メッセージ パッシングを容易にする方法を提案します。
これら 2 つのアプローチを大規模なシミュレートされたデータセットで検証し、両方が停電サイズの推定パフォーマンスを向上させる可能性を示します。

要約(オリジナル)

Higher variability in grid conditions, resulting from growing renewable penetration and increased incidence of extreme weather events, has increased the difficulty of screening for scenarios that may lead to catastrophic cascading failures. Traditional power-flow-based tools for assessing cascading blackout risk are too slow to properly explore the space of possible failures and load/generation patterns. We add to the growing literature of faster graph-neural-network (GNN)-based techniques, developing two novel techniques for the estimation of blackout magnitude from initial grid conditions. First we propose several methods for employing an initial classification step to filter out safe ‘non blackout’ scenarios prior to magnitude estimation. Second, using insights from the statistical properties of cascading blackouts, we propose a method for facilitating non-local message passing in our GNN models. We validate these two approaches on a large simulated dataset, and show the potential of both to increase blackout size estimation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google