图神经网络与 Koopman 模型用于学习网络动力学：以电网暂态预测为比较研究

对关键基础设施网络（如电力系统）的时空动态行为进行持续监测是一项具有挑战性但重要的任务。特别是，准确且及时地预测电网的（机电）暂态动态轨迹对于及早发现任何不稳定性和防止灾难性故障是必要的。现有的动态轨迹预测方法要么依赖于系统精确物理模型的可用性，要么使用计算昂贵的时域仿真，要么仅适用于局部预测问题（例如单台发电机）。在本文中，我们报告了两类广泛的数据驱动学习模型的应用——及其算法实现与性能评估——仅使用流测量数据和网络拓扑作为输入来预测电力网络中的暂态轨迹。一类模型基于 Koopman 算子理论，该理论允许通过一个无限维线性算子来捕捉非线性动态行为。另一类模型基于图卷积神经网络，其擅长捕捉电力网络内固有的时空相关性。用于训练和测试模型的暂态动态数据集是通过在 IEEE 68 总线系统中模拟多种负载变化事件合成的，并按负载变化幅度以及连通度和到最近发电机节点的距离进行分类。结果证实，所提出的预测模型能够以很高的精度成功预测系统扰动后的暂态演化。