由拓扑度量提供信息的图神经网络框架用于安全评估
系统与控制
2023-01-31 v1 系统与控制
摘要
在电力系统中，安全评估（SA）在确定正常情况及某些故障场景下的安全运行中起着关键作用。根据故障场景的可靠性准则，主要将电气变量作为模型输入变量来指示电力系统运行处于安全或不安全状态。在该方法中，特征为网格格式数据，其中特征之间的关系及任何网络拓扑知识均缺失。此外，若输入变量为图格式结构，传统常见模型（如神经网络（NN））便不适用。因此，本文在图神经网络（GNN）框架下研究安全分析，使 GNN 模型将网络连接及节点邻域影响纳入评估。此处输入特征为表示电气与结构状态不同网络条件的分离图。由网络中心性度量定义的拓扑特征被加入表示网络结构属性的特征向量中。所提模型在 IEEE 118-Bus 系统中进行电压静态安全评估（SSA）仿真。性能指标验证了基于 GNN 的模型相较传统 NN 模型的有效性，表明图数据中所含信息提升了分类器性能，因为 GNN 模型利用了邻域特征。此外，在开展鲁棒性与敏感性分析时，基于 GNN 模型的优越性得以确定。所提方法不限于特定任务，可扩展至具有不同关键变量的其他安全评估，如动态分析与频率准则。
引用
@article{arxiv.2301.12988,
title = {Graph Neural Network Framework for Security Assessment Informed by Topological Measures},
author = {Mojtaba Dezvarei and Kevin Tomsovic and Jinyuan Stella Sun and Seddik M. Djouadi},
journal= {arXiv preprint arXiv:2301.12988},
year = {2023}
}