PowerGraph

PowerGraph数据集由苏黎世联邦理工学院的可靠性及风险工程实验室开发，专注于电力网络中级联故障的模拟与分析。该数据集包含144000条记录，涵盖了多个电力系统的状态，用于训练图神经网络模型进行多类分类、二分类和回归任务。数据集通过基于物理的级联故障模型生成，确保了操作和环境条件的普遍性，并通过模拟多种故障场景来增强数据集的多样性。此外，PowerGraph数据集还支持图神经网络解释方法的基准测试，通过提供边缘级解释的地面真值来促进模型的透明度和可解释性。该数据集的应用领域广泛，从化学到生物学，其中系统及过程可用图表描述，对于提升图级任务和解释性的图神经网络模型发展具有重要意义。

The PowerGraph dataset was developed by the Laboratory for Reliability and Risk Engineering at ETH Zurich, focusing on the simulation and analysis of cascading failures in power grids. Comprising 144,000 records, this dataset covers the states of multiple power systems and is used to train graph neural network (GNN) models for multi-class classification, binary classification, and regression tasks. Generated via a physics-based cascading failure model, the dataset guarantees the generality of operational and environmental conditions, and enhances its diversity by simulating a variety of fault scenarios. Furthermore, the PowerGraph dataset also supports benchmarking of GNN interpretation methods, facilitating model transparency and interpretability by providing ground truth for edge-level explanations. With a wide range of application domains spanning from chemistry to biology, where systems and processes can be represented as graphs, this dataset holds significant importance for advancing the development of graph-level tasks and interpretable graph neural network models.

搜集汇总

数据集介绍

构建方式

在电力系统分析领域，构建高质量的图神经网络数据集对于推动实时监测与故障预测至关重要。PowerGraph数据集通过整合MATPOWER工具进行潮流与最优潮流仿真，并采用基于交流物理模型的Cascades平台模拟级联故障场景，系统生成了涵盖节点级与图级任务的多维度数据。该构建过程以IEEE24、IEEE39、IEEE118及英国输电系统为基准，结合全年负荷曲线与蒙特卡洛抽样方法，确保了数据在拓扑结构、运行条件与故障模式上的多样性与真实性，为图神经网络提供了兼具物理准确性与计算可行性的训练与评估基础。

使用方法

PowerGraph数据集的使用方法紧密围绕电力系统分析的实际需求展开。在节点级任务中，研究者可利用数据集训练图神经网络模型，以预测潮流方程中的电压幅值、相角及功率分布，或求解最优潮流问题中的发电机调度方案。在图级任务中，数据集支持构建早期预警系统，通过分类模型识别电网临界状态，或利用回归模型估算故障导致的失负荷量。数据集的标准化格式与PyTorch Geometric兼容，便于分割为训练、验证与测试集，并支持多种图神经网络架构的基准测试，包括图卷积网络、图注意力机制及图变换器，以优化模型在预测精度与解释能力上的表现。

背景与挑战

背景概述

电力网络作为现代社会至关重要的关键基础设施，其安全稳定运行面临日益复杂的挑战。随着能源转型的深入推进，间歇性可再生能源的广泛接入与电气化进程加速，对电网的实时分析与决策支持提出了更高要求。在此背景下，苏黎世联邦理工学院的研究团队于近年创建了PowerGraph数据集，旨在填补图神经网络在电力系统应用领域公开基准数据的空白。该数据集聚焦于三大核心研究问题：潮流计算、最优潮流分析以及连锁故障模拟，通过整合IEEE标准测试系统与英国实际电网数据，为节点级与图级任务提供了多维度、大规模的结构化图数据。PowerGraph的推出显著促进了数据驱动方法在电力系统建模中的应用，为开发高效、可解释的图神经网络模型奠定了坚实基础，对提升电网运行可靠性具有重要学术价值与工程意义。

当前挑战

PowerGraph数据集致力于解决电力系统分析中的关键挑战，其核心目标在于利用图神经网络实现高精度、高效率的电网状态评估与安全预警。具体而言，数据集针对的领域挑战包括：在节点级任务中精确预测复杂非线性潮流方程与最优潮流问题的解；在图级任务中准确识别可能导致连锁故障的电网脆弱状态，并量化其潜在影响。在构建过程中，研究团队面临多重挑战：首先，真实电网数据因涉及国家安全通常难以获取，迫使研究依赖基于物理模型的合成数据，可能影响模型的泛化能力；其次，连锁故障属于罕见事件，历史数据稀缺，需借助经过验证的仿真模型生成大规模情景数据；此外，电网图结构具有异质性，节点与边特征对模型预测至关重要，如何有效整合拓扑与物理特征成为关键；最后，为满足可解释性需求，需为连锁故障场景提供真实解释掩码，这要求仿真模型能精确追踪故障传播路径，增加了数据生成的复杂度。

常用场景

经典使用场景

在电力系统分析领域，PowerGraph数据集为图神经网络提供了标准化的评估平台，其经典使用场景聚焦于电力潮流分析和连锁故障预测。该数据集通过模拟多种电网运行状态，构建了包含节点级与图级任务的丰富样本，使得研究人员能够训练和验证GNN模型在复杂电网拓扑中的性能。具体而言，数据集涵盖了从稳态运行到极端故障情境的广泛工况，为模型提供了学习电网物理规律与动态行为的坚实基础。

解决学术问题

PowerGraph数据集有效解决了电力系统研究中机器学习模型缺乏标准化基准的难题。传统上，电网分析依赖计算密集型仿真工具，难以满足实时监控需求，而该数据集通过提供大规模、多场景的图结构数据，支持GNN模型替代传统求解器进行快速预测。其意义在于填补了社会领域图级任务数据集的空白，并首次引入真实世界解释性标注，推动了可解释人工智能在关键基础设施中的应用，为电网安全分析与优化决策提供了可靠的数据支撑。

实际应用

在实际工程中，PowerGraph数据集被广泛应用于电网运行监控与安全评估。基于该数据集训练的GNN模型可部署于输电系统操作中心，实现电力潮流的实时估算与最优调度，显著提升计算效率。在连锁故障预警方面，模型能够快速识别可能导致大范围停电的高风险运行状态，辅助操作人员采取预防措施。此外，数据集提供的解释性标注帮助工程师理解模型决策依据，增强了对人工智能工具的信任度，促进了智能化技术在电力行业的落地。

数据集最近研究

最新研究方向

在电力系统智能化转型的背景下，PowerGraph数据集正推动图神经网络在电网实时分析与安全评估领域的前沿探索。当前研究聚焦于利用该数据集构建高精度、可解释的GNN模型，以解决潮流计算、最优潮流及连锁故障预测等关键任务。热点方向包括开发面向电网拓扑特性的Transformer架构优化、融合物理约束的图表示学习，以及基于真实解释掩码的可解释人工智能方法验证。这些研究不仅提升了电网状态感知与风险预警的实时性，更通过提供首个具备真实世界解释的图级数据集，为关键基础设施中黑盒模型的可靠性评估设立了新基准，对能源系统安全与人工智能可信交叉领域具有深远影响。

相关研究论文

• PowerGraph: A power grid benchmark dataset for graph neural networks

  苏黎世联邦理工学院 · 2024年