基于异构图的多任务学习用于智能电网故障事件诊断
人工智能
2024-09-11 v2 机器学习
摘要
精确且及时的故障诊断是配电系统确保最小停机时间和维持可靠运行的先决条件。这需要一套全面的流程，能在故障事件发生时为电网操作员提供有洞察力的信息。在本文中，我们提出了一种异质多任务学习图神经网络（MTL-GNN），其除提供故障电阻和电流的估计外，还能够检测、定位和分类故障。使用图神经网络（GNN）可通过消息传递方案学习配电系统的拓扑表示以及特征学习。我们使用 IEEE-123 测试馈线系统研究了我们所提出模型的鲁棒性。本工作还提出了一种新颖的基于 GNN 的可解释性方法，以识别配电系统中的关键节点，从而促进有依据的稀疏量测。数值测试验证了模型在所有任务上的性能。
引用
@article{arxiv.2309.09921,
title = {A Heterogeneous Graph-Based Multi-Task Learning for Fault Event Diagnosis in Smart Grid},
author = {Dibaloke Chanda and Nasim Yahya Soltani},
journal= {arXiv preprint arXiv:2309.09921},
year = {2024}
}
备注
Published in IEEE Transactions on Power Systems (2024)