PowerFlowNet: Aproximação do fluxo de potência usando Redes Neurais de Grafos com passagem de mensagem

A análise precisa e eficiente do fluxo de potência (PF) é crucial na operação e planejamento das redes elétricas modernas. Portanto, há uma necessidade de algoritmos escaláveis que possam fornecer soluções precisas e rápidas tanto para redes de potência de pequeno quanto de grande porte. Como a rede de potência pode ser interpretada como um grafo, as Redes Neurais de Grafos (GNNs) surgiram como uma abordagem promissora para melhorar a precisão e a velocidade das aproximações de PF, explorando o compartilhamento de informações por meio da estrutura subjacente do grafo. Neste estudo, introduzimos o PowerFlowNet, uma nova arquitetura de GNN para aproximação de PF que apresenta desempenho similar ao método tradicional de Newton-Raphson, mas alcança isso 4 vezes mais rápido no sistema IEEE 14-bus e 48 vezes mais rápido no caso real da rede de alta tensão francesa (6470rte). Enquanto isso, ele supera significativamente outros métodos tradicionais de aproximação, como o fluxo de potência DC, em termos de desempenho e tempo de execução; portanto, tornando o PowerFlowNet uma solução altamente promissora para a análise de PF no mundo real. Além disso, verificamos a eficácia de nossa abordagem realizando uma avaliação experimental aprofundada, examinando minuciosamente o desempenho, escalabilidade, interpretabilidade e confiabilidade arquitetônica do PowerFlowNet. A avaliação fornece insights sobre o comportamento e as possíveis aplicações das GNNs na análise de sistemas de potência.