基于GRNN的实时故障链预测
系统与控制
2023-03-17 v1 系统与控制
信号处理
摘要
本文提出一种数据驱动的图框架，用于风险级联故障链（FCs）的实时搜索。尽管识别风险FCs对缓解级联故障至关重要，但电力系统各组件间复杂的时空依赖关系给FC的建模与分析带来挑战。此外，风险FCs的实时搜索面临随系统规模指数增长的内在组合复杂度。所提框架利用图循环神经网络的最新进展来规避FCs实时搜索的计算复杂度。搜索过程被形式化为部分可观测马尔可夫决策过程（POMDP），随后通过时变图循环神经网络（GRNN）求解，该网络审慎考量系统所生成数据固有的时间与空间结构。该结构的关键特征包括（i）利用系统拓扑所诱导数据的空间结构，（ii）利用系统动态所诱导数据的时间结构，（iii）在GRNN潜空间中高效概括系统历史。所提框架的效率在IEEE 39总线新英格兰系统与IEEE 118总线系统上与相关文献进行了比较。
引用
@article{arxiv.2303.08864,
title = {GRNN-based Real-time Fault Chain Prediction},
author = {Anmol Dwivedi and Ali Tajer},
journal= {arXiv preprint arXiv:2303.08864},
year = {2023}
}