Synthetic Power Grid

Abstract

Å designe, analysere og teste strømnettstrukturer i dag krever topologier og geografisk informasjon om de ekte strømnettene. Tilgang til disse dataene er begrenset på grunn av sikkerhetsproblemer rundt kritisk infrastruktur. Dette prosjektet har som mål å generere syntetiske strømnettdata med maskinlæring som verktøy i samarbeid med Volue.

Volue, et norsk teknologiselskap, leverte konfidensiell strømnettdata for å utvikle den syntetiske datageneratoren. Disse dataene representerte strømnettets infrastruktur i en liten by i Nord-Norge. Analyse av strømnettdata ble gjort ved å inspisere datafilene og konsultere Volue. Representanter fra Volue tilbød strømnettekspertise når det var nødvendig.

Dataene levert av Volue ble behandlet for å passe kravene til maskinlæringsmodellen. Behandling av dataene var nødvendig siden dataformatet til strømnettet ikke kan tolkes av maskinlæringsmodeller. Databehandlingen bestod i å fjerne ubetydelige objekter som ikke hadde noen innvirkning på strømnettets struktur. Strømnettdataene ble deretter transformert til lister bestående av noder og kanter for å bli representert som grafer for grafbasert maskinlæring. Strømnettdata har store variasjoner i størrelse og innhold, noe som skaper inkonsistent input for opplæring. Dette var utfordrende ettersom maskinlæring krever en fast dimensjon for å fungere bra. De transformerte grafene ble brukt som input for de valgte geometriske dyplæringsmodellene, en grafautokoder og en variasjonsgrafautokoder. Teamet klarte å generere syntetiske strømnettstopologier, med en lignende struktur som de virkelige topologiene, ved hjelp av maskinlæring. Volue hadde ingen evaluator for de genererte strømnetttopologiene. Uten noe mål for suksess, er det ingen måte å si om de genererte topologiene er til noen nytte.

Volue informerte at utviklingen vil fortsette etter prosjektet. Med dette i tankene vil forfatterne av denne rapporten presentere anbefalinger for fremtidig arbeid.

Designing, analysing and testing power grid structures today require topologies and geographical information of the real power grids. However, access to this data is restricted due to security concerns surrounding critical infrastructure. This project aims to generate synthetic power grid data with machine learning as the means in collaboration with Volue.

Volue, a Norwegian technology company, provided restricted power grid data to develop the synthetic data generator. This data represented the power grid infrastructure of a small town in northern Norway. Analysing the power grid data was done by inspecting the raw data files and consulting Volue. Representatives from Volue provided power grid expertise whenever it was needed.

The data provided by Volue was processed to fit the machine learning model requirements. Processing the data was needed as the raw data format of power grids cannot be interpreted by machine learning models. The data processing consisted of removing insignificant objects that had no impact on the power grid data structure. The power grid data was then transformed into lists of nodes and edges in order to be represented as graphs for graph-based machine learning. Power grid data have high variations in size and content, creating inconsistent input for training. This was challenging as machine learning requires a fixed input size to work well. The transformed graphs were used as input for the chosen geometric deep learning models, a graph autoencoder and a variational graph autoencoder. The team managed to generate synthetic power grid topologies, with a similar structure as the real topologies, with machine learning. However, Volue had no evaluator for the generated power grid topologies. With no metric for success, there is no way to tell if the generated topologies are of any use.

Volue stated that development will continue after the end of the project. With this in mind, the authors of this report will present recommended paths for future work.