部分観測の配電網における故障位置推定のための時空間グラフニューラルネットワークの頑健性

概要: 配電系統における故障箇所の特定は、信頼性を高め、停電の発生時間を最小化するうえで重要です。しかし、計測インフラが乏しいため部分的な観測しかできず、依然として困難が残っています。近年の研究では、時空間学習のために反復型ニューラルネットワーク（RNN）とグラフニューラルネットワーク（GNN）を組み合わせることで有望な結果が示されています。それでも、配電系統へのこの用途に対して、多くの最新のGNNアーキテクチャは未検証のままです。また、既存のGNN解法は、GNNグラフ構築のために単に全体の系統トポロジを採用する以上の、GNNトポロジ定義の検討を行っていません。私たちは、(i) 新たに提案するグラフ形成戦略（計測のみ）を、従来の全トポロジ方式と体系的に比較し、(ii) 配電系統の故障箇所特定のために、GraphSAGEおよび改良版グラフ注意（GATv2）に基づくSTGNN（時空間GNN）モデルを導入し、(iii) IEEE 123バス配電フィーダー上で、それらを最先端のSTGNNおよびRNNのベースラインと比較してベンチマークします。実験の結果、評価したすべてのSTGNNバリアントは高い性能を示し、一貫して純粋なRNNベースラインを上回ります。改善幅はF1で最大11ポイントです。STGNNモデルの中では、今回新たに検討したRGATv2およびRGSAGEは、F1スコアがわずかに高い程度にとどまります。それでも、STGNNはRNNベースラインと比べて優れた安定性を示し、複数の実験実行において、信頼区間が（RNNベースラインの最大±7.5%に対し）±1.4%以内と非常に狭く保たれます。最後に、私たちが提案する縮小GNNトポロジ（計測のみ）は、(i) モデル学習時間（6分の1に削減）と (ii) モデル性能（F1で最大11ポイント）という両面で明確な利点を示します。これは、計測のみのグラフが、部分的に観測可能な配電系統に対して、より実用的で効率的かつ頑健な枠組みを提供し得ることを示唆しています。