图神经网络用于电力系统状态估计的可扩展性与样本效率分析
机器学习
2023-03-03 v2 人工智能
摘要
数据驱动的状态估计（SE）在现代电力系统中日益重要，因为它可利用实时测量数据更高效地对系统行为进行分析。本文全面评估了一种仅基于相量测量单元、在因子图上应用图神经网络（GNNs）的状态估计器。为评估 GNN 模型的样本效率，我们在多种训练集规模上进行了多次训练实验。此外，为评估 GNN 模型的可扩展性，我们在不同规模的电力系统上开展了实验。我们的结果表明，基于 GNN 的状态估计器具有高精度和数据高效利用的特点。此外，它在内存占用和推理时间方面均表现出可扩展性，使其成为现代电力系统中数据驱动 SE 的一个有前景的解决方案。
引用
@article{arxiv.2303.00105,
title = {Scalability and Sample Efficiency Analysis of Graph Neural Networks for Power System State Estimation},
author = {Ognjen Kundacina and Gorana Gojic and Mirsad Cosovic and Dragisa Miskovic and Dejan Vukobratovic},
journal= {arXiv preprint arXiv:2303.00105},
year = {2023}
}