کاربرد شبکه های عصبی گراف در شبکه های هوشمند برق

ر دهه های اخیر، شبکه های برق به عنوان زیرساخت های حیاتی جوامع مدرن با افزایش پیچیدگی، گسترش بار و نفوذ منابع انرژی تجدیدپذیر روبه رو شده اند. این عوامل موجب افزایش احتمال بروز خطاهای آبشاری شده است؛ پدیده ای که در آن خرابی یک بخش از شبکه می تواند به صورت زنجیره ای سایر بخش ها را نیز دچار اختلال کند و در نهایت منجر به خاموشی گسترده شود. پیش بینی دقیق و به موقع این نوع خطاها نقش مهمی در افزایش قابلیت اطمینان، کاهش خسارات اقتصادی و بهبود بهره وری سیستم های قدرت دارد.

روش های سنتی تحلیل و شبیه سازی، نظیر مدل های فیزیکی مبتنی بر پخش بار و تحلیل پایداری، هرچند از دقت بالایی برخوردارند، اما در مقیاس های بزرگ و برای کاربردهای بلادرنگ کارایی محدودی دارند. این روش ها اغلب نیازمند پارامترهای زیاد و محاسبات سنگین هستند و قابلیت تعمیم آن ها به سناریوهای جدید پایین است. در سال های اخیر، رویکردهای یادگیری ماشین و یادگیری عمیق به ویژه با ظهور شبکه های عصبی گراف تحولی بنیادین در مدل سازی رفتار پیچیده شبکه های برق ایجاد کرده اند.

ساختار شبکه برق به طور طبیعی گرافی است (گره ها: باس ها/بارها/مولدها؛ یال ها: خطوط/ترانسفورمرها) و روابط فضایی/توپولوژیکال مهم هستند. در این میان، شبکه های عصبی گراف به دلیل توانایی در مدل سازی روابط توپولوژیکی و تبادل اطلاعات بین گره ها و یال ها، به عنوان ابزاری نوین برای تحلیل رفتار شبکه های پیچیده از جمله شبکه های برق مطرح شده اند. لذا GNNها، با پیام رسانی بین گره ها/یال ها، می توانند هم اطلاعات محلی و هم اثرات غیرمحلی را مدل کنند. این مدل ها قادرند ویژگی های ساختاری و فیزیکی شبکه را به صورت ضمنی فراگیرند و برای وظایفی چون پیش بینی خطا، پایداری، بار و توان به کار گرفته شوند. با این حال، کاربرد GNN در حوزه ی خطاهای آبشاری هنوز نوظهور است و چالش هایی نظیر کمبود داده های زمانی، نیاز به مدل های تفسیرپذیر و افزایش مقیاس پذیری همچنان وجود دارد.