赋予关系归纳偏置以力量:图神经网络在电网中的应用
机器学习
2021-09-09 v1 信号处理
摘要
将图神经网络(GNNs)应用于电网领域对智能电网监测具有高度潜在影响。尽管功率流与 GNNs 中的消息传递存在天然对应关系,但其在电网上的性能尚不为人所充分了解。我们认为,由基准驱动的 GNN 研究存在差距,这些基准包含的图在若干重要方面不同于电网。此外,跨多种电网拓扑的 GNN 归纳学习尚未使用真实世界数据探索。我们通过以下方式弥补这一差距:(i) 定义归纳设定下的电网图数据集,(ii) 对图属性进行探索性分析,以及(iii) 在真实世界电网上对状态估计这一具体学习任务进行实证研究。我们的结果表明,GNNs 对噪声更具鲁棒性,与基线相比误差降低高达 400%。此外,由于电网的独特属性,我们未观察到众所周知的 GNN 过平滑现象,并发现性能最佳的模型异常深,多达 13 层。这与现有基准数据集形成鲜明对比,后者共识是 2 至 3 层 GNNs 表现最佳。我们的结果表明,该领域的一个关键挑战是有效处理长程依赖。
引用
@article{arxiv.2109.03604,
title = {Power to the Relational Inductive Bias: Graph Neural Networks in Electrical Power Grids},
author = {Martin Ringsquandl and Houssem Sellami and Marcel Hildebrandt and Dagmar Beyer and Sylwia Henselmeyer and Sebastian Weber and Mitchell Joblin},
journal= {arXiv preprint arXiv:2109.03604},
year = {2021}
}