DPFAGA：基于离子通量的动态电流分配分析与故障特征——图注意神经网络
机器学习
2025-03-25 v2
摘要
我们提出联合图注意神经网络（GAT）、基于自适应邻居聚类（CAN）和概率图模型，用于动态电流分配分析与故障特征。实际应用中，计算效率是主要提升重点，而性能准确性则需维持在可接受水平。值得注意的是，基于机器学习（ML）的方案在训练阶段需要充足的标记数据，而这在实际应用中难以满足。此外，复杂智能电网系统中可能存在来自新到达测量值或不兼容智能设备的未知数据。这类问题将通过我们提出的基于 GAT 的框架得到解决，该框架通过建模网络数据与标签之间的依赖关系，并学习对象表示，以实现半监督式故障诊断。为创建联合标签依赖，我们利用 CAN 从原始获取的信号构建图。随后，我们开发基于马尔可夫随机场的概率图模型，用于图表示，支持 GAT 框架。我们在智能电网应用场景中评估了所提框架，并与现有方法进行了公平比较。
引用
@article{arxiv.2503.15563,
title = {DPFAGA-Dynamic Power Flow Analysis and Fault Characteristics: A Graph Attention Neural Network},
author = {Tan Le and Van Le},
journal= {arXiv preprint arXiv:2503.15563},
year = {2025}
}
备注
The 2025 International Conference on the AI Revolution: Research, Ethics, and Society (AIR-RES 2025)