Causality prediction in a cyber-physical-energy-system using knowledge graph embeddings

Abstract

Mit fortschreitender Digitalisierung werden immer mehr Cyber-Physical Systems eingesetzt, womit bestehende physische Systeme ergänzt und verbessert werden können. Smart Grids sind ein Beispiel für ein Cyber-Physical System. Diese bestehen aus einer physischen Ebene, die die Produzenten und Verbraucher des Stromnetzes enthält, sowie einer Cyber-Ebene, die das Netz mithilfe von digitalen Prozessen verbessert. Durch die Energiewende befinden sich immer mehr kn wurden vier KGE-Modelle ausgewählt, um diese zu trainieren - TransE, TransH, ComplEx, TTransE. In einem ersten Schritt wurden die Modelle allgemein evaluiert, um zu testen wie gut die Modelle den Knowledge Graph und die Beziehungen zwischen Instanzen im Graph repräsentieren können.In einem zweiten Schritt wurde jedes der vier Modelle hinsichtlich der Prognose von Kausalitäten zwischen Ereignissen evaluiert. In eileine und volatile Energieerzeuger in einem System, wodurch die Komplexität weiter steigt. Diese Situation führt zu einem Bedarf an leistungsfähigeren und komplexeren Steuerungsmechanismen im Stromnetz. Leider ist es in heutigen Stromnetzen grundsätzlich nicht möglich, die Herkunft elektrischer Energie zu messen. Daher bedarf es neuer Ansätze, um Ereignisse im System besser erklären zu können.Im Zuge eines Forschungsprojektes haben Aryan et al. einen Knowledge Graph entwickelt, der ein Cyber-Physical Energy System (CPES) darstellt. Da Knowledge Graphs in der Lage sind, komplexe und heterogene Daten zu modellieren bringen sie ideale Voraussetzungen mit, um die Beziehungen und Merkmale eines Smart Grids darzustellen und Kausalitäten zwischen Ereignissen im System zu finden. Derzeit wird ein ein regelbasierter Ansatz verwendet, um relevante Kausalitäten in einem bestehenden System zu finden.Basierend auf diesem Knowledge Graph wendet diese Masterarbeit Knowledge Graph Embeddings (KGE) an, um das Potenzial von Machine Learning Ansätzen für die Prognose von Kausalitäten zwischen Ereignissen in einem Smart Grid zu untersuchen. Basierend auf Literaturrecherchenem Evaluation-Workshop wurden die Modellprognosen weiters manuell analysiert. Dort wurden die Ergebnisse analysiert und beurteilt, ob diese echte Kausalitätszusammenhänge beinhalten, die im aktuellen Knowledge Graph (noch) nicht vorhanden sind.Diese Arbeit kann keine eindeutige Antwort darauf geben, welches KGE-Modell am besten für die Prognose von Kausalitäten in einem CPES geeignet ist. Sie stellt jedoch ein Framework vor, um die Anwendung von KGEs für die Prognose von Kausalitäten in einem CPES Knowledge Graph zu testen. Darüber hinaus zeigte die Untersuchung des Einsatzes von KGEs in diesem Use Case, dass der Einsatz von Hybrid-AI Potenzial zur Verbesserung der Erklärbarkeit in einem Smart Grid bietet.

With the emergence of digitalisation to increase the capabilities and efficiency of systems, Cyber-Physical Systems have emerged at the intersection of physical and computational systems. Smart grids are an example of such a Cyber-Physical System as it is comprised of a physical layer containing the producers and consumers of a system as well as a computational layer, which makes the power grid "smart". An increasing number of smaller producers in a system due to a transition to more renewable energy sources sparked the need for a more capable and complex control mechanism of a power grid. Unfortunately, it is not inherently possible to measure the source of electrical energy in power grids as they exist today. Therefore, a need for new approaches exists in order to make power grids more explainable. In recent research, Aryan et al. introduced a Knowledge Graph which can represent a Cyber-Physical Energy System. As Knowledge Graphs are able to model complex and heterogeneous data, they seem ideal to represent the relations and features of a smart grid and to find causalities between events in the system. A rule-based approach currently aims to find relevant causalities in an existing Knowledge Graph.Based on this research, this thesis applies Knowledge Graph Embeddings (KGE) on the Knowledge Graph to investigate the possibilities of using machine learning approaches for causality link prediction between events in a smart grid. Upon literature research, four KGE models were chosen to train on the Knowledge Graph - TransE, TransH, ComplEx, TTransE. In a first step, the model performance was evaluated based on their ability to represent the Knowledge Graph and the relations between various entities in the graph. In the second step, each model was evaluated on predicting causality links between two events in the system. In this process, an evaluation workshop was held where model predictions were analysed by knowledge experts in order to determine whether there may be true causality links in the predictions which are not present in the current Knowledge Graph.While no certain conclusion can be drawn on which KGE model is best suited for causality link prediction in a Cyber-Physical Energy System, this thesis provides a framework to test the application of KGEs for causality link prediction on a Knowledge Graph representing a smart grid. Additionally, the exploration of using KGEs on this use case showed that there is potential on the use of hybrid AI for improving explainability in a smart grid.