基于超结构图卷积网络评估配电系统可靠性
机器学习
2022-11-16 v1 人工智能
机器学习
摘要
如今，电力系统领域已广泛认识到，为满足不断扩张的能源部门的需求，仅靠基于物理的模型已不可能，而若没有人工智能（AI）工具的系统化集成，能源系统可靠、及时和可持续的运行也无从实现。尽管如此，AI 在电力系统中的采用仍然有限，而将 AI 特别是集成到配电网投资规划中仍是一片未知领域。我们向前迈出了第一步以弥合这一差距，展示了图卷积网络与超结构表示学习框架相结合如何可用于具有弹性目标的准确、可靠且计算高效的配电网规划。我们进一步提出了超结构图卷积神经网络（Hyper-GCNNs），以通过注意力机制捕捉配电网络隐藏的高阶表示。我们的数值实验表明，与配电网格规划中的主流方法相比，所提出的 Hyper-GCNNs 方法在计算效率上取得了显著提升，并且也明显优于来自深度学习（DL）领域的七个最先进（SOTA）模型。
引用
@article{arxiv.2211.07645,
title = {Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets},
author = {Yuzhou Chen and Tian Jiang and Miguel Heleno and Alexandre Moreira and Yulia R. Gel},
journal= {arXiv preprint arXiv:2211.07645},
year = {2022}
}
备注
IEEE BigData 2022