基于深度图卷积网络的配电系统故障定位
机器学习
2019-11-19 v2 应用统计
机器学习
摘要
本文提出一种新颖的图卷积网络（GCN）框架用于配电网故障定位。所提方法在考虑系统拓扑的同时融合了不同母线处的多种量测。GCN 模型的有效性由 IEEE 123 母线基准系统佐证。仿真结果表明，GCN 模型以极高的故障定位精度显著优于其他广泛使用的机器学习方案。此外，所提方法对量测噪声与数据丢失误差具有鲁棒性。我们给出了两种竞争神经网络的视觉化结果以探究 GCN 优越性能的机制。提出一种数据增强流程以提升模型在不同程度噪声与数据丢失误差下的鲁棒性。进一步实验表明，该模型可适应配电网拓扑变化，并在有限量测母线数下表现良好。
引用
@article{arxiv.1812.09464,
title = {Fault Location in Power Distribution Systems via Deep Graph Convolutional Networks},
author = {Kunjin Chen and Jun Hu and Yu Zhang and Zhanqing Yu and Jinliang He},
journal= {arXiv preprint arXiv:1812.09464},
year = {2019}
}
备注
Accepcted by IEEE Journal on Selected Areas in Communication