Adaptive Informed Deep Neural Networks for Power Flow Analysis

要約

本研究では、大規模な現代の電力系統の非線形ダイナミクスを効果的に捉えるパワーフロー（PF）解析のためのエンドツーエンドのディープラーニングアーキテクチャであるPINN4PFを紹介する。提案するニューラルネットワーク（NN）アーキテクチャは、学習パイプラインにおける2つの重要な進歩から構成される：（A）有効電力消費パターンと無効電力消費パターンに調整する活性化関数を含む、PF解析に沿ったダブルヘッドフィードフォワードNN、および（B）電力系統トポロジー情報を部分的に組み込む物理ベースの損失関数。提案アーキテクチャの有効性は、4バス、15バス、290バス、2224バスのテストシステムを通じて説明され、2つのベースライン（線形回帰モデル（LR）とブラックボックスNN（MLP））に対して評価される。比較は、(i)汎化能力、(ii)ロバスト性、(iii)汎化能力に対する訓練データセットサイズの影響、(iv)派生PF量（特に、線路電流、線路有効電力、線路無効電力）の近似精度、(v)スケーラビリティに基づいている。その結果、PINN4PFは、すべてのテストシステムにおいて、汎化能力などの直接的な基準だけでなく、導出された物理量を近似する点においても、両ベースラインを最大2桁上回る性能を持つことが実証された。

要約(オリジナル)

This study introduces PINN4PF, an end-to-end deep learning architecture for power flow (PF) analysis that effectively captures the nonlinear dynamics of large-scale modern power systems. The proposed neural network (NN) architecture consists of two important advancements in the training pipeline: (A) a double-head feed-forward NN that aligns with PF analysis, including an activation function that adjusts to active and reactive power consumption patterns, and (B) a physics-based loss function that partially incorporates power system topology information. The effectiveness of the proposed architecture is illustrated through 4-bus, 15-bus, 290-bus, and 2224-bus test systems and is evaluated against two baselines: a linear regression model (LR) and a black-box NN (MLP). The comparison is based on (i) generalization ability, (ii) robustness, (iii) impact of training dataset size on generalization ability, (iv) accuracy in approximating derived PF quantities (specifically line current, line active power, and line reactive power), and (v) scalability. Results demonstrate that PINN4PF outperforms both baselines across all test systems by up to two orders of magnitude not only in terms of direct criteria, e.g., generalization ability but also in terms of approximating derived physical quantities.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL