BOOST-RPF: Boosted Sequential Trees for Radial Power Flow

Titel: BOOST-RPF: Boosted Sequential Trees for Radial Power Flow

Auteurs: Ehimare Okoyomon en Christoph Goebel (Technische Universiteit München)

1. Het Probleem

Accuraat en schaalbaar vermogensstroomanalyse (power flow) is essentieel voor het beheer van moderne distributienetwerken, vooral met de toename van gedistribueerde energiebronnen (zoals zonnepanelen en elektrische voertuigen).

• Classieke methoden: Methoden zoals Newton-Raphson bieden hoge nauwkeurigheid, maar zijn computationally duur en hebben convergentieproblemen in grote of zwaar belaste netwerken.
• Machine Learning (ML) methoden: Bestaande data-gedreven benaderingen formuleren spanningsvoorspelling vaak als een globale regressietak (het voorspellen van alle bus-spanningen tegelijkertijd). Hoewel deze methoden binnen de trainingsverdeling goed presteren, kampen ze met ernstige generalisatieproblemen. Ze presteren vaak slecht bij "out-of-distribution" (OOD) scenario's, zoals onbekende nettopologieën of netwerken met een andere grootte dan die tijdens het training.
• De kernuitdaging: Er is behoefte aan een methode die de fysieke structuur van radiale netwerken respecteert, schaalbaar is voor netwerken van verschillende groottes, en robuust blijft bij onbekende configuraties.

2. Methodologie: BOOST-RPF

De auteurs introduceren BOOST-RPF, een nieuw paradigma dat spanningsvoorspelling herformuleert van een globale graf-regressie naar een sequentiële pad-gebaseerde leeropdracht.

• Van Graf naar Sequentie: In plaats van het hele netwerk als één graf te behandelen, wordt het radiale netwerk opgebroken in geordende paden van de "slack bus" (bron) naar de "leaf nodes" (eindpunten).
• Lokale Voorspelling: Het model leert lokale spanningsdalingen tussen een ouderbus en een kindbus, in plaats van de absolute spanning van het hele netwerk. De toestand van een kindbus $V_j$ is conditioneel afhankelijk van de ouderbus $V_i$, de takimpedantie en de vermogensinjecties.
• Architectuur: Het model maakt gebruik van Gradient Boosted Decision Trees (XGBoost). Er worden drie varianten getest:
  1. Absolute Voltage: Directe voorspelling van de spanning.
  2. Parent Residual (Voltage Drop): Voorspelling van de spanningsdaling ten opzichte van de ouderbus (de beste variant).
  3. Physics-Informed Residual: Voorspelling van de afwijking van een lineaire analytische baseline (LinDistFlow).
• Feature Engineering:
  • Backward Power Accumulation: Een O(N) doorloop van bladeren naar wortel om de totale downstream-vraag te berekenen.
  • LinDistFlow Baseline: Gebruik van een lineaire fysieke benadering als startpunt, waarna het ML-model de niet-lineariteiten leert.
• Inferentie: De voorspelling gebeurt via een Breadth-First Search (BFS) traversaal. Dit zorgt voor een lineaire schaalbaarheid $O(N)$ en voorkomt redundante berekeningen.

3. Belangrijkste Bijdragen

1. Reformulering van het probleem: De overgang van een globale graf-taak naar een sequentiële leeropdracht die de recursieve fysica van vermogensstroom nabootst.
2. Fysiek-gealigneerde inductieve bias: Door te trainen op spanningsdalingen en residuals van analytische baselines, combineert het model de snelheid van ML met de robuustheid van fysieke wetten.
3. Superieure Generalisatie: Het model is grootte- en topologie-onafhankelijk. Omdat het lokale relaties leert, kan het worden toegepast op netwerken die niet in de trainingsdata zaten (zero-shot generalization).
4. Efficiëntie: Het bereikt een hoge steekproefefficiëntie door per-verbinding (per-edge) supervisie, wat betekent dat één netwerkveel trainingssamples oplevert (één sample per bus in het pad).

4. Resultaten

De methode is getest op de Kerber Dorfnetz (een vast netwerk) en de ENGAGE dataset (een heterogene set van 6 verschillende laagspanningsnetwerken).

• Nauwkeurigheid (Experiment 1 & 2):
  • De XGB-Parent variant (voorspelling van spanningsdaling) presteert significant beter dan alle baselines.
  • Op het Kerber Dorfnetz bereikte het een RMSE van $8.42 \times 10^{-4}$ p.u. voor spanningsgrootte, wat een orde van grootte beter is dan Graph Neural Networks (GNN) en Multi-Layer Perceptrons (MLP).
  • Zelfs de klassieke analytische DistFlow-methode presteerde slechter dan BOOST-RPF in deze scenario's.
• Generalisatie (Experiment 3 - OOD):
  • GlobalMLP faalt volledig bij onbekende netwerken (RMSE stijgt met ordes van grootte), omdat het specifieke netwerktopologieën heeft "uitgeleerd" in plaats van de onderliggende fysica.
  • BOOST-RPF behoudt zijn nauwkeurigheid op onbekende netwerken. De XGB-Parent variant behaalde een gemiddelde RMSE van $0.0134$ p.u., wat vergelijkbaar is met of beter is dan de beste GNN-baselines, maar met veel minder trainingstijd.
• Computatie-efficiëntie:
  • Training: XGBoost-modellen trainen in 9-14 seconden (op CPU), vergeleken met minuten tot uren voor neurale netwerken (die GPU-acceleratie gebruikten).
  • Inferentie: De inferentie schaalt lineair $O(N)$ met het aantal bussen. Hoewel neurale netwerken constant sneller zijn voor kleine netwerken (<3ms), blijft BOOST-RPF binnen acceptabele limieten voor real-time toepassingen (ca. 14ms voor 130 bussen) en is schaalbaar voor grotere netwerken.

5. Betekenis en Conclusie

BOOST-RPF biedt een krachtig alternatief voor zowel klassieke analytische solvers als moderne deep learning-methoden voor distributienetwerken.

• Robuustheid: Het lost het "generalisatieprobleem" op dat veel ML-powerflow-modellen parten speelt, waardoor ze betrouwbaar zijn voor real-time beheer van netwerken met veranderende topologieën.
• Schaalbaarheid: De lineaire schaalbaarheid en korte trainingstijd maken het ideaal voor real-time toepassingen zoals dynamische opnamecapaciteitsanalyse (hosting capacity) en Monte Carlo-simulaties.
• Interpreteerbaarheid: In tegenstelling tot "black-box" neurale netwerken, zijn boom-gebaseerde modellen makkelijker te interpreteren, wat het vertrouwen in de voorspellingen vergroot.

De auteurs concluderen dat BOOST-RPF een veelbelovende kandidaat is voor de volgende generatie actief beheer van distributiesystemen, en dat de methode open-source beschikbaar is gesteld om verdere research te faciliteren.