图神经网络模型在分布式电网故障检测中的泛化性
机器学习
2025-10-07 v1 人工智能
系统与控制
系统与控制
摘要
电网故障检测对于确保系统可靠性和防止高成本停机至关重要。此外，故障检测方法应对由重新配置、设备故障和分布式能源资源 (DER) 集成等因素引起的电网拓扑变化保持鲁棒性。当前的数据驱动最先进方法使用循环神经网络 (RNN) 进行时序建模和图神经网络 (GNN) 进行空间学习，在 RNN+GNN 流水线设置下工作 (简称为 RGNN)。具体而言，对于电力系统故障诊断，已采用图卷积网络 (GCN)。然而，各种更高级的 GNN 架构已在电力系统领域之外的领域提出并采用。在本文中，我们旨在系统性和一致地对 various GNN 架构进行基准测试。具体而言，我们是首次 (i) 提议在 RGNN 中使用 GraphSAGE 和图注意力 (GAT, GATv2)，以及 (ii) 对之前提出的 RGNN 解决方案 (RGCN) 以及纯 RNN 模型 (尤其是门控循环单元 (GRU)) 进行全面基准测试，特别是 (iii) 探索它们在部署于训练时使用的不同设置下的泛化潜力。我们的实验结果在 IEEE 123 节点分布网络上表明，RGATv2 在泛化能力方面优于其他模型，在不同拓扑设置下 F1 分数下降约为 12%。相比之下，纯 RNN 模型几乎失败，F1 分数下降最高可达约 60%，而其他 RGNN 变体也表现出显著的性能下降，即最高可低于约 25%。
引用
@article{arxiv.2510.03571,
title = {Generalization of Graph Neural Network Models for Distribution Grid Fault Detection},
author = {Burak Karabulut and Carlo Manna and Chris Develder},
journal= {arXiv preprint arXiv:2510.03571},
year = {2025}
}
备注
This paper has been submitted and accepted for IEEE SmartGridComm 2025