PowerModelsGAT-AI: 物理情報を取り入れたグラフアテンションによるマルチシステム電力フローと継続学習

要約：実時間で交流パワーフロー方程式を解くことは、安全なグリッド運用に不可欠ですが、古典的なニュートン-ラフソン解法は、ストレス条件下で遅くなることがあります。既存のパワーフロー用グラフニューロネットワークは通常、単一のシステムで訓練され、異なるシステムでは性能が低下することがよくあります。我々は、バス電圧と発電機注入量を予測する、物理情報を組み込んだグラフアテンションネットワーク PowerModelsGAT-AI を提示します。モデルは、異なるバスタイプを扱うためのバスタイプ対応のマスキングを用い、学習された重みを用いて、電力ミスマッチペナルティを含む複数の損失項をバランスします。モデルを14のベンチマーク系（4〜6,470バス）で評価し、N-2（二系統停止）条件下でこれらのうち13件に対して統一モデルを訓練し、電圧振幅の正規化された平均絶対誤差を0.89%、電圧位相角の決定係数R^2を0.99超で達成しました。私たちはまた、継続的学習を示します。基底モデルを新しい1,354バスのシステムに適用する際、標準的なファインチューニングは基底システムでの誤差増加が1000％を超える深刻な忘却を引き起こしますが、私たちの経験リプレイとエラスティックウェイトコンソリデーション戦略は誤差増加を2％未満に抑え、場合によっては基底システムの性能を向上させます。解釈可能性の分析は、学習されたアテンション重みが物理的分岐パラメータと相関することを示しており（サセプタンス: r = 0.38; 熱制限: r = 0.22）、特徴重要度分析は、モデルが確立されたパワーフロー関係を捉えていることを裏付けています。