复值时空图卷积神经网络及其在电力系统中人工智能的应用
机器学习
2024-10-28 v2 系统与控制
系统与控制
摘要
对图上大规模结构化数据的有效表示、处理、分析和可视化正受到广泛关注。迄今为止，大多数文献集中于实值信号。然而，信号在傅里叶域中通常是稀疏的，与其原始实值信号相比，使用其频谱分量的复包络可以获得更具信息性和更紧凑的表示。受此事实启发，在本文中我们将图卷积神经网络（GCN）推广到复域，推导出允许在图滤波器（GF）的定义中纳入复值图移位算子（GSO）并处理复值图信号（GS）的理论。所发展的理论能够处理时空复网络过程。我们证明复值 GCN 对于底层图支撑的扰动是稳定的，并给出了迁移误差的界以及通过多层误差传播的界。然后将复值 GCN 应用于电网状态预测、电网网络攻击检测与定位。
引用
@article{arxiv.2208.08485,
title = {Complex-Value Spatio-temporal Graph Convolutional Neural Networks and its Applications to Electric Power Systems AI},
author = {Tong Wu and Anna Scaglione and Daniel Arnold},
journal= {arXiv preprint arXiv:2208.08485},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication