Generalizable Graph Neural Networks for Robust Power Grid Topology Control

要約

エネルギー遷移には、新しい混雑管理方法が必要です。
そのような方法の1つは、機械学習（ML）を使用してグリッドトポロジを制御することです。
このアプローチは、Power Network（L2RPN）競技を実施する学習に続いて人気を博しています。
グラフニューラルネットワーク（GNNS）は、計算にグラフ構造を反映するMLモデルのクラスであり、電力グリッドモデリングに適しています。
このように、トポロジー制御のためのさまざまなGNNアプローチが提案されています。
GNNレイヤーのみを使用するグリッドトポロジコントロールの最初のGNNモデルを提案します。
さらに、人気のある均一なグラフ表現が苦しんでいるバスバー情報の非対称性の問題を特定し、それを解決するために不均一なグラフ表現を提案します。
模倣学習タスクで、均質および異種のGNNと完全に接続されたニューラルネットワーク（FCNN）ベースラインの両方をトレーニングします。
モデルの分類精度とグリッド操作能力に応じて、モデルを評価します。
不均一なGNNは、分配中のネットワークで最適に機能し、FCNNS、最後に均質なGNNが続くことがわかります。
また、両方のGNNタイプは、FCNNよりも分散式ネットワークに対してよりよく一般化することがわかります。

要約(オリジナル)

The energy transition necessitates new congestion management methods. One such method is controlling the grid topology with machine learning (ML). This approach has gained popularity following the Learning to Run a Power Network (L2RPN) competitions. Graph neural networks (GNNs) are a class of ML models that reflect graph structure in their computation, which makes them suitable for power grid modeling. Various GNN approaches for topology control have thus been proposed. We propose the first GNN model for grid topology control that uses only GNN layers. Additionally, we identify the busbar information asymmetry problem that the popular homogeneous graph representation suffers from, and propose a heterogeneous graph representation to resolve it. We train both homogeneous and heterogeneous GNNs and fully connected neural networks (FCNN) baselines on an imitation learning task. We evaluate the models according to their classification accuracy and grid operation ability. We find that the heterogeneous GNNs perform best on in-distribution networks, followed by the FCNNs, and lastly, the homogeneous GNNs. We also find that both GNN types generalize better to out-of-distribution networks than FCNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google