基于图神经网络的电网运行风险评估：面向演化中的电网拓扑结构
系统与控制
2024-05-14 v1 机器学习
系统与控制
统计方法学
摘要
本文考察了图神经网络（GNNs）在未来数小时内识别电网风险状态的能力，这些风险状态无需明确的高分辨率关于未来发电机开/关状态（电网拓扑）或用电分配决策的信息。GNNs采用监督学习进行训练，以预测在不同电力供需条件下，电网的汇聚节点级（要么为区域级，要么为系统级）或单个支路级状态。电网随机变量（风力/太阳能发电和负荷需求）的变动性及其统计相关性，在训练数据的输入中受到严格考虑。训练数据的输出通过解决大量混合整数线性规划（MILP）最优潮流问题获得，对应于系统级、区域级和输电线级感兴趣量（QoIs）。由GNNs预测的QoIs用于进行数小时提前、基于抽样的可靠性和风险评估，关于区域级和系统级（负荷削减）以及支路级（过载）故障事件。本文针对三个规模从118至2848母线的合成电网进行了方法论的演示。我们的结果表明，GNNs能够提供快速准确的QoI预测，可作为计算密集型MILP算法的良好代理。GNN基于可靠性和风险评估的卓越准确性表明，GNN模型可通过快速提供严格的可靠性和风险估计，从而大大提高 situational awareness。
引用
@article{arxiv.2405.07343,
title = {Graph neural networks for power grid operational risk assessment under evolving grid topology},
author = {Yadong Zhang and Pranav M Karve and Sankaran Mahadevan},
journal= {arXiv preprint arXiv:2405.07343},
year = {2024}
}
备注
Manuscript submitted to Applied Energy