로컬 토폴로지 분할 및 멀티태스크 그래프 학습을 이용한 스케일 적응형 전력 흐름 분석

Scale-Adaptive Power Flow Analysis with Local Topology Slicing and Multi-Task Graph Learning

전력 흐름 분석에서 토폴로지 변화에 대한 높은 적응력을 가진 딥러닝 모델을 개발하는 것은 매우 실용적인 의미를 갖습니다. 본 논문에서는 모델 성능을 다양한 시스템 규모에서 향상시키고 분기 전력 예측의 견고성을 높이기 위해 스케일 적응형 멀티태스크 전력 흐름 분석(SaMPFA) 프레임워크를 제안합니다. SaMPFA는 모델의 크기 간 학습 능력을 강화하기 위해 로컬 토폴로지 분할(LTS) 샘플링 기법을 도입하여 전체 전력 네트워크에서 다양한 규모의 부분 그래프를 추출합니다. 또한, 견고한 분기 전력 예측을 위해 레퍼런스 프리 멀티태스크 그래프 학습(RMGL) 모델을 설계했습니다. 기존 방식과 달리, RMGL은 위상각 대신 버스 전압과 분기 전력을 예측합니다. 이러한 설계는 분기 전력 계산 과정에서 발생할 수 있는 오차 증폭 위험을 피할 뿐만 아니라, 모델이 위상각 차이의 물리적 관계를 학습하도록 유도합니다. 또한, 손실 함수에는 위상각 차이 및 전력 전송의 물리적 패턴을 포착하도록 유도하는 추가적인 항이 포함되어 있어 예측과 물리 법칙 간의 일관성을 더욱 향상시킵니다. IEEE 39 버스 시스템과 중국의 실제 지방 전력망에 대한 시뮬레이션 결과, 제안된 모델은 다양한 시스템 규모에서 우수한 적응성과 일반화 성능을 달성하며, 각각 4.47% 및 36.82%의 정확도 향상을 보였습니다.

Developing deep learning models with strong adaptability to topological variations is of great practical significance for power flow analysis. To enhance model performance under variable system scales and improve robustness in branch power prediction, this paper proposes a Scale-adaptive Multi-task Power Flow Analysis (SaMPFA) framework. SaMPFA introduces a Local Topology Slicing (LTS) sampling technique that extracts subgraphs of different scales from the complete power network to strengthen the model's cross-scale learning capability. Furthermore, a Reference-free Multi-task Graph Learning (RMGL) model is designed for robust power flow prediction. Unlike existing approaches, RMGL predicts bus voltages and branch powers instead of phase angles. This design not only avoids the risk of error amplification in branch power calculation but also guides the model to learn the physical relationships of phase angle differences. In addition, the loss function incorporates extra terms that encourage the model to capture the physical patterns of angle differences and power transmission, further improving consistency between predictions and physical laws. Simulations on the IEEE 39-bus system and a real provincial grid in China demonstrate that the proposed model achieves superior adaptability and generalization under variable system scales, with accuracy improvements of 4.47% and 36.82%, respectively.