PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids

📄 arXiv: 2503.22721v1 📥 PDF

作者: Dhruv Suri, Mohak Mangal

分类: cs.LG, eess.SY

发布日期: 2025-03-26

💡 一句话要点

PowerGNN：一种拓扑感知的图神经网络，用于电力系统状态预测。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 电力系统 状态预测 图神经网络 拓扑感知 可再生能源

📋 核心要点

  1. 传统电力系统预测方法忽略电网拓扑结构，难以捕捉复杂时空依赖关系，导致预测精度受限。
  2. 提出一种拓扑感知的图神经网络（GNN）框架，结合GraphSAGE和GRU，建模电网的空间和时间相关性。
  3. 在NREL 118测试系统上验证，GNN优于传统方法，RMSE降低至0.13-0.17，提升了预测精度。

📝 摘要（中文）

随着可再生能源渗透率的提高，现代电力系统面临着显著的变异性和不确定性，因此准确的状态预测对于电网的可靠运行至关重要。传统的预测方法通常忽略电力电网固有的拓扑结构，限制了它们捕捉复杂时空依赖关系的能力。本文提出了一种拓扑感知的图神经网络（GNN）框架，用于预测高可再生能源接入下的电力系统状态。我们构建了电力网络的图表示，将母线和传输线建模为节点和边，并引入了一种专门的GNN架构，该架构将GraphSAGE卷积与门控循环单元（GRU）相结合，以模拟系统动力学中的空间和时间相关性。该模型使用真实的、时间同步的可再生能源发电数据在NREL 118测试系统上进行训练和评估。结果表明，所提出的GNN优于包括全连接神经网络、线性回归和滚动平均模型在内的基线方法，在预测精度方面取得了显著提高。GNN在所有预测变量上的平均RMSE为0.13至0.17，并在空间位置和运行条件下表现出一致的性能。这些结果突出了拓扑感知学习在未来高可再生能源渗透电网中进行可扩展和鲁棒的电力系统预测的潜力。

🔬 方法详解

问题定义：电力系统状态预测对于电网的稳定运行至关重要，尤其是在可再生能源高渗透的情况下。传统方法，如全连接神经网络、线性回归等，忽略了电力网络的拓扑结构，无法有效捕捉节点之间的空间依赖关系以及状态随时间的变化，导致预测精度不高。因此，需要一种能够有效利用电网拓扑信息的预测方法。

核心思路：论文的核心思路是将电力网络建模成图结构，利用图神经网络（GNN）来学习节点之间的关系，并结合时间序列模型来捕捉状态的时间演化。通过这种方式，模型能够同时考虑电网的拓扑结构和时间动态，从而提高预测精度。

技术框架：该框架主要包含以下几个步骤：1) 将电力网络建模成图，其中母线和传输线分别作为节点和边；2) 使用GraphSAGE进行空间特征提取，聚合邻居节点的信息；3) 使用GRU对节点的时间序列特征进行建模，捕捉状态的时间依赖性；4) 将GraphSAGE和GRU的输出进行融合，得到最终的预测结果。

关键创新：该论文的关键创新在于将拓扑信息融入到电力系统状态预测中。通过使用GNN，模型能够学习到节点之间的空间关系，从而更好地预测系统状态。此外，结合GraphSAGE和GRU，模型能够同时捕捉空间和时间依赖性，进一步提高了预测精度。

关键设计：在图构建方面，母线和传输线被建模为节点和边。GraphSAGE的聚合函数和GRU的隐藏层大小是需要调整的关键参数。损失函数采用均方根误差（RMSE），用于衡量预测值和真实值之间的差异。模型在NREL 118测试系统上进行训练和评估，使用真实的可再生能源发电数据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的GNN模型在NREL 118测试系统上优于传统的预测方法，包括全连接神经网络、线性回归和滚动平均模型。GNN在所有预测变量上的平均RMSE为0.13至0.17，显著低于其他基线模型。此外，GNN在不同的空间位置和运行条件下表现出一致的性能，表明其具有良好的鲁棒性和泛化能力。

🎯 应用场景

该研究成果可应用于智能电网的实时监控和预测，帮助电力系统运营商更好地管理和控制电网，提高电网的可靠性和稳定性。通过准确预测电力系统状态，可以优化电网调度，减少能源浪费，并促进可再生能源的更广泛应用。此外，该方法还可以扩展到其他类型的复杂网络系统，如交通网络和社交网络。

📄 摘要（原文）

The increasing penetration of renewable energy sources introduces significant variability and uncertainty in modern power systems, making accurate state prediction critical for reliable grid operation. Conventional forecasting methods often neglect the power grid's inherent topology, limiting their ability to capture complex spatio temporal dependencies. This paper proposes a topology aware Graph Neural Network (GNN) framework for predicting power system states under high renewable integration. We construct a graph based representation of the power network, modeling buses and transmission lines as nodes and edges, and introduce a specialized GNN architecture that integrates GraphSAGE convolutions with Gated Recurrent Units (GRUs) to model both spatial and temporal correlations in system dynamics. The model is trained and evaluated on the NREL 118 test system using realistic, time synchronous renewable generation profiles. Our results show that the proposed GNN outperforms baseline approaches including fully connected neural networks, linear regression, and rolling mean models, achieving substantial improvements in predictive accuracy. The GNN achieves average RMSEs of 0.13 to 0.17 across all predicted variables and demonstrates consistent performance across spatial locations and operational conditions. These results highlight the potential of topology aware learning for scalable and robust power system forecasting in future grids with high renewable penetration.