基于统计增强图神经网络的连锁停电严重程度预测

由于可再生能源渗透率不断提高以及极端天气事件发生率增加，电网条件变异性增大，这增加了筛选可能导致灾难性连锁故障场景的难度。传统的基于潮流计算的连锁停电风险评估工具速度太慢，无法充分探索可能的故障和负荷/发电模式空间。我们在日益增长的基于图神经网络（GNN）的快速技术文献基础上，开发了两种根据初始电网条件估计停电规模的新技术。首先，我们提出了几种方法，在规模估计之前采用初始分类步骤来过滤掉安全的“非停电”场景。其次，利用连锁停电统计特性的见解，我们提出了一种在GNN模型中促进非局部消息传递的方法。我们在一个大型模拟数据集上验证了这两种方法，并展示了它们在提高停电规模估计性能方面的潜力。