面向拓扑感知的门控图神经网络提升电力流量估计
系统与控制
2025-07-04 v1 系统与控制
摘要
准确且可扩展的交流电力流量替代模型是实现实时电网监测、干扰分析和决策支持的关键，尤其对于日益动态和以逆变器为主的电力系统至关重要。然而，大多数现有替代模型因无法捕捉网格传输网络中长程非线性依赖关系，以及对物理规律的约束不足，难以实现实际部署。这些模型常需大量调参，难以在拓扑变化或大负荷波动时获得良好泛化，且通常无法量化不确定性，也难以扩展到数百个母线以上。为此，本文提出一种用于拓扑不确定性下的交流电力流量估计的门控图神经网络（GGNN）替代模型。该模型在规模和复杂度各异的 IEEE 基准网络上训练，每个网络均包含随机线路故障和最高 40% 的负荷变化。为提高鲁棒性和泛化能力，我们探索了常规监督学习和基于物理的自监督训练策略。比较评估表明，所提出的 GGNN 持续优于先前的 GNN 基于替代模型，预测结果与 Newton-Raphson 解密切一致。通过嵌入操作约束于架构和损失函数，模型确保了物理一致性，提供了一个轻量、准确且可扩展的实时电网运营工具。
引用
@article{arxiv.2507.02078,
title = {Enhancing Power Flow Estimation with Topology-Aware Gated Graph Neural Networks},
author = {Shrenik Jadhav and Birva Sevak and Srijita Das and Wencong Su and Van-Hai Bui},
journal= {arXiv preprint arXiv:2507.02078},
year = {2025}
}