PowerGraph

我们创建了一个图数据集，用于模拟电力网络中的连锁故障事件，这是电力网络中停电的主要原因。为了为不同的电力网络生成一个全面的数据集，我们使用了一个基于物理的连锁故障模型，称为Cascades。该模型模拟了IEEE24、IEEE39、IEEE118和UK电力网络中故障的传播。数据集包括大量的电力网络状态，代表停电前的运行条件，并与初始触发停电（一个或多个故障元件）相关联。每个电力网络状态被表示为一个图，并根据基于物理的模型的结果分配一个图级标签。该数据集设计用于各种图级任务，如多类分类、二分类和回归。电力网络的元素是总线和分支，总线包括负载和发电机，代表图的节点，而分支包括输电线路和变压器，代表图的边。我们为每个节点提供三个特征：净有功功率、净视在功率和电压幅值。而每个边的特征是四个：有功功率流、无功功率流、线路电抗和线路额定值。

We have created a graph dataset to simulate cascading failure events in power networks, which are the primary cause of blackouts in power grids. To generate a comprehensive dataset for different power networks, we employed a physics-based cascading failure model known as Cascades. This model simulates the propagation of failures in IEEE24, IEEE39, IEEE118, and UK power networks. The dataset includes a vast number of power network states, representing operational conditions prior to blackouts, and is associated with the initial triggers of blackouts (one or more faulty components). Each power network state is represented as a graph and is assigned a graph-level label based on the results of the physics-based model. This dataset is designed for various graph-level tasks such as multi-class classification, binary classification, and regression. The elements of the power networks are buses and branches, where buses include loads and generators, representing the nodes of the graph, and branches include transmission lines and transformers, representing the edges of the graph. We provide three features for each node: net active power, net apparent power, and voltage magnitude. For each edge, the features are four: active power flow, reactive power flow, line reactance, and line rating.

原始信息汇总

数据集概述

数据集名称

• IEEE-24 (ieee24)
• IEEE-39 (ieee39)
• IEEE-118 (ieee118)
• UK (uk)

数据集描述

• IEEE-24: IEEE-24 电力网络数据集。
• IEEE-39: IEEE-39 电力网络数据集。
• IEEE-118: IEEE-118 电力网络数据集。
• UK: UK 电力网络数据集。

数据集内容

• 文件结构:
  • blist.mat: 分支列表，也称为边序或边索引。
  • of_bi.mat: 二分类标签。
  • of_reg.mat: 回归标签。
  • of_mc.mat: 多分类标签。
  • Bf.mat: 节点特征矩阵。
  • Ef.mat: 边特征矩阵。
  • exp.mat: 地面真值解释。

数据集生成

• 使用物理基础的级联故障模型“Cascades”模拟IEEE24、IEEE39、IEEE118和UK电力网络中的故障传播。
• 输出为最终需求未服务（DNS）。
• 数据集包含大量电力网络状态，代表停电前的操作条件，并与初始触发停电（一个或多个故障元素）相关联。

节点和边特征

• 节点特征: 净有功功率、净视在功率和电压幅值。
• 边特征: 有功功率流、无功功率流、线路电抗和线路额定值。

数据集用途

• 用于图级任务，如多分类、二分类和回归。

解释性方法

• 非生成性解释器:
  • Occlusion
  • SA
  • Grad-CAM
  • Integrated Gradients
  • GNNExplainer
  • SubgraphX
  • PGM-Explainer
• 生成性解释器:
  • RCExplainer
  • GSAT
  • DiffExplainer

使用命令

bash python3 code/main.py --dataset_name [dataset-name] --model_name [gnn-model] --explainer_name [explainer-name]

• 参数:
  • --model_name: transformer / gin / gat
  • --datatype: multiclass
  • --dataset_name: uk_mc / ieee24_mc / ieee39_mc
  • --explainer_name: random / sa / ig / gradcam / occlusion / basic_gnnexplainer / gnnexplainer / subgraphx / pgmexplainer / rcexplainer / gsat / diffexplainer

搜集汇总

数据集介绍

构建方式

在电力系统的复杂网络中，PowerGraph数据集通过模拟级联故障事件，构建了一个详尽的电力网格状态集合。利用物理级联故障模型Cascades，该数据集模拟了IEEE24、IEEE39、IEEE118以及英国电力网格中的故障传播过程。每个电力网格状态被表示为一个图，图级别的标签基于物理模型的输出结果。通过这种方式，数据集不仅捕捉了电力系统的动态特性，还为图级别的任务如多类分类、二分类和回归提供了丰富的数据支持。

特点

PowerGraph数据集的显著特点在于其对电力系统级联故障的精细建模和多样化任务的支持。每个节点包含净有功功率、净视在功率和电压幅值三类特征，而每条边则包含有功功率流、无功功率流、线路电抗和线路额定值四类特征。这种设计使得数据集在处理电力系统中的复杂交互和故障传播时，能够提供详尽且多维度的信息。此外，数据集的多样性还体现在其支持多种图神经网络解释方法的评估，为电力系统的可解释性研究提供了坚实的基础。

使用方法

使用PowerGraph数据集时，用户首先需下载并解压数据文件，随后通过PyTorch Geometric库加载数据。数据集的每个文件夹包含分支列表、二分类标签、回归标签、多类标签、节点特征矩阵、边特征矩阵和地面真值解释等文件。用户可以通过指定数据集名称、模型名称和解释器名称，运行解释性方法以评估不同图神经网络模型的性能。例如，使用命令'python3 code/main.py --dataset_name [dataset-name] --model_name [gnn-model] --explainer_name [explainer-name]'即可启动分析。

背景与挑战

背景概述

PowerGraph数据集由一支专注于电力系统分析的研究团队创建，旨在解决电力网络中的停电和级联故障问题。该数据集的核心研究问题是如何通过图神经网络（GNN）模型来解释和预测电力网络中的级联故障，从而提高电力系统的稳定性和可靠性。数据集包含了英国、IEEE24、IEEE39和IEEE118电力网络的模拟数据，这些数据是通过物理级联故障模型生成的。PowerGraph数据集的创建不仅为电力系统研究提供了新的工具，还推动了图神经网络在复杂系统分析中的应用。

当前挑战

PowerGraph数据集在构建过程中面临了多个挑战。首先，电力网络的复杂性要求数据集必须能够准确模拟各种故障情况，这需要高度精确的物理模型和大量的计算资源。其次，数据集的多样性，涵盖了不同规模和结构的电力网络，增加了数据处理的复杂性。此外，解释性方法的集成也是一个重要挑战，因为不同的解释性方法在处理图数据时表现各异，需要进行广泛的基准测试以确定其有效性。最后，数据集的规模和复杂性对存储和计算资源提出了高要求，限制了其在资源受限环境中的应用。

常用场景

经典使用场景

在电力系统研究领域，PowerGraph数据集的经典使用场景主要集中在电力网络的故障分析与预测。该数据集通过模拟电力系统中的级联故障，提供了丰富的电力网络状态数据，这些数据被用于训练图神经网络（GNN）模型，以识别和解释电力系统中的故障传播路径。通过这种方式，研究人员能够更准确地预测电力系统中的潜在故障点，从而提高电力系统的稳定性和可靠性。

解决学术问题

PowerGraph数据集在学术研究中解决了电力系统级联故障预测与解释的核心问题。传统的电力系统故障分析方法往往依赖于简化的模型和有限的数据，难以捕捉复杂的故障传播机制。PowerGraph通过提供详细的电力网络状态数据和物理模型模拟结果，使得研究人员能够开发出更为精确的故障预测模型。这不仅提升了电力系统故障分析的准确性，还为电力系统的优化设计和运行提供了新的研究方向。

衍生相关工作

PowerGraph数据集的发布催生了一系列相关研究工作，特别是在图神经网络和电力系统故障分析领域。例如，研究人员基于该数据集开发了多种GNN解释方法，如GNNExplainer和SubgraphX，这些方法能够提供对电力系统故障传播路径的可视化解释。此外，PowerGraph还激发了对电力系统级联故障模型的进一步研究，推动了物理模型与数据驱动模型的结合，为电力系统的智能化和自动化提供了新的技术路径。