Neues Graph Attention Netzwerk revolutioniert Echtzeit‑Stromnetzflussanalyse

Ein neu entwickeltes Modell namens PowerModelsGAT‑AI nutzt graphbasierte Aufmerksamkeit in Kombination mit physikalischen Erkenntnissen, um Spannungswerte und Generatorinjektionen in Stromnetzen präzise vorherzusagen. Durch die gezielte Maskierung von Busstypen kann das System unterschiedliche Netzkonfigurationen verarbeiten, während ein ausgewogenes Verlustgleichgewicht – inklusive eines Strömungsfehlers – die Genauigkeit weiter steigert.

In umfangreichen Tests wurden 14 Standardnetzwerke – von 4 bis 6.470 Bussen – herangezogen. Ein einheitliches Modell, das auf 13 dieser Systeme unter N‑2‑Ausfallbedingungen trainiert wurde, erzielte durchschnittlich einen normierten mittleren absoluten Fehler von nur 0,89 % für Spannungsgrößen und einen R²‑Wert von über 0,99 für Spannungswinkel. Diese Leistungen zeigen, dass das Netzwerk auch unter stark belasteten Bedingungen zuverlässig arbeitet.

Ein besonderes Highlight ist die Fähigkeit zur kontinuierlichen Lernanpassung. Beim Feintuning auf ein neues 1.354‑Bus‑System führte die klassische Methode zu einem drastischen Leistungsabfall auf den Basisnetzen. Durch den Einsatz von Experience Replay und Elastic Weight Consolidation blieb die Fehlerzunahme jedoch unter 2 % und in einigen Fällen verbesserte sich sogar die Leistung auf den ursprünglichen Systemen. Analyse der Aufmerksamkeitsgewichte ergab zudem signifikante Korrelationen mit physischen Leitungsparametern, was die Interpretierbarkeit des Modells unterstreicht.