Σύγκριση MLP, GNN και PINN μοντέλων για εκτίμηση κατάστασης σε συστήματα διανομής ηλεκτρικής ενέργειας

Abstract

Η αυξανόμενη διείσδυση κατανεμημένων ενεργειακών πόρων και ανανεώσιμων πηγών ενέργειας μεταβάλλει σημαντικά τη λειτουργία των σύγχρονων δικτύων διανομής, αυξάνοντας τη μεταβλητότητα των ροών ισχύος και καθιστώντας αναγκαία την ακριβή γνώση της λειτουργικής τους κατάστασης. Ωστόσο, η περιορισμένη εγκατάσταση συγχρονισμένων μετρητικών διατάξεων και η παρουσία μετρητικών σφαλμάτων οδηγούν συχνά σε συνθήκες μερικής παρατηρησιμότητας. Στο πλαίσιο αυτό, τα νευρωνικά δίκτυα αποτελούν μια εναλλακτική προσέγγιση για την εκτίμηση της κατάστασης από περιορισμένες διαθέσιμες μετρήσεις. Στην παρούσα διπλωματική εργασία αναπτύσσονται και συγκρίνονται διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων για την εκτίμηση του μέτρου και της γωνίας των τάσεων των ζυγών. Εξετάζονται ένα Multilayer Perceptron (MLP), ένα Graph Convolutional Network (GCN) και ένα Graph Attention Network (GAT), με τα γραφικά μοντέλα να αξιοποιούν άμεσα τη συνδεσιμότητα του ηλεκτρικού δικτύου. Παράλληλα, αναπτύσσονται physics-informed παραλλαγές, στις οποίες η φυσική γνώση του συστήματος ενσωματώνεται στη διαδικασία εκπαίδευσης. Η αξιολόγηση πραγματοποιείται σε ακτινικό δίκτυο τεσσάρων ζυγών και στο πρότυπο δίκτυο IEEE 33 ζυγών. Τα δεδομένα δημιουργούνται μέσω προσομοιώσεων ροής ισχύος, με προσθήκη θορύβου στις διαθέσιμες μετρήσεις τάσης και ρεύματος. Εξετάζονται διαφορετικά επίπεδα μετρητικής κάλυψης και μεγέθη συνόλων εκπαίδευσης, η ενσωμάτωση φωτοβολταϊκής και αιολικής παραγωγής, καθώς και διαφορετικές ακτινικές και βροχοειδείς τοπολογίες. Τα αποτελέσματα δείχνουν ότι η απόδοση των αρχιτεκτονικών εξαρτάται έντονα από τις συνθήκες του προβλήματος. Σε σταθερές τοπολογίες και με επαρκή δεδομένα, το MLP επιτυγχάνει υψηλή ακρίβεια και συχνά υπερέχει των γραφικών μοντέλων, ενώ το GAT παρουσιάζει καλύτερη συμπεριφορά από το GCN. Αντίθετα, υπό περιορισμένη μετρητική κάλυψη και κυρίως όταν μεταβάλλεται η τοπολογία του δικτύου, το GAT αξιοποιεί αποτελεσματικότερα την τοπολογική πληροφορία και εμφανίζει σαφέστερο πλεονέκτημα έναντι του MLP. Η αύξηση των διαθέσιμων PMUs βελτιώνει την ακρίβεια όλων των μοντέλων, ενώ η αυξημένη διείσδυση ΑΠΕ καθιστά το πρόβλημα απαιτητικότερο. Τέλος, τα physics-informed μοντέλα δείχνουν ότι ο τρόπος ενσωμάτωσης της φυσικής γνώσης επηρεάζει σημαντικά την απόδοση. Η ταυτόχρονη εκτίμηση τάσεων και ρευμάτων οδηγεί σε ακριβέστερη ανακατασκευή της ενεργού και άεργου ισχύος σε σχέση με τον υπολογισμό των ρευμάτων αποκλειστικά από τις εκτιμώμενες τάσεις μέσω του πίνακα αγωγιμοτήτων. Συνολικά, δεν προκύπτει μία αρχιτεκτονική που να υπερέχει σε όλες τις συνθήκες, καθώς η καταλληλότερη επιλογή εξαρτάται από τη διαθεσιμότητα δεδομένων και μετρήσεων και από τη μεταβλητότητα της τοπολογίας του δικτύου.