Solving AC Power Flow with Graph Neural Networks under Realistic Constraints

要約

この論文では、現実的な制約の下で AC 電力潮流問題を解決するためのグラフ ニューラル ネットワーク アーキテクチャを提案します。
配電網の安全かつ回復力のある運用を確保するには、AC 電力潮流計算が、系統運用の制限を決定したり、計画手順で系統資産の利用状況を分析したりするための最適な手段となります。
私たちのアプローチでは、グラフ ニューラル ネットワークを使用して電力潮流の物理的制約を学習するフレームワークの開発を実証します。
特定のトポロジやトレーニングに使用される供給タスクとは無関係に、AC 電力潮流定式化の一般的な解決策を学習するために教師なしトレーニングを実行するモデル アーキテクチャを提示します。
最後に、中電圧ベンチマークグリッドでの結果を実証し、検証し、議論します。
私たちのアプローチでは、配電網の物理的およびトポロジー的特性に焦点を当て、実際の配電網トポロジーに拡張可能なソリューションを提供します。
したがって、AC電力潮流グラフのニューラルネットワークアーキテクチャの教師なしトレーニングのために、現実的なグリッドトポロジで構成される大規模で多様なデータセットを使用するデータ駆動型のアプローチを採用し、その結果を以前のニューラルアーキテクチャおよびニュートンラフソン法と比較します。
。
私たちのアプローチでは、最先端のソルバーと比較して、計算時間が大幅に増加し、精度が高いことがわかります。
また、精度の点で電力潮流のニューラル ソルバーよりも優れたパフォーマンスを発揮します。

要約(オリジナル)

In this paper, we propose a graph neural network architecture to solve the AC power flow problem under realistic constraints. To ensure a safe and resilient operation of distribution grids, AC power flow calculations are the means of choice to determine grid operating limits or analyze grid asset utilization in planning procedures. In our approach, we demonstrate the development of a framework that uses graph neural networks to learn the physical constraints of the power flow. We present our model architecture on which we perform unsupervised training to learn a general solution of the AC power flow formulation independent of the specific topologies and supply tasks used for training. Finally, we demonstrate, validate and discuss our results on medium voltage benchmark grids. In our approach, we focus on the physical and topological properties of distribution grids to provide scalable solutions for real grid topologies. Therefore, we take a data-driven approach, using large and diverse data sets consisting of realistic grid topologies, for the unsupervised training of the AC power flow graph neural network architecture and compare the results to a prior neural architecture and the Newton-Raphson method. Our approach shows a high increase in computation time and good accuracy compared to state-of-the-art solvers. It also out-performs that neural solver for power flow in terms of accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google