用可解释图卷积网络引导连锁故障搜索
信号处理
2020-02-03 v1 系统与控制
系统与控制
摘要
由于电网互联程度日益提高以及可再生能源渗透率上升，电力系统连锁故障变得更加时变且复杂。高昂的计算成本是更频繁地进行在线连锁故障搜索的主要障碍，而后者对提升系统安全性至关重要。在本工作中，我们表明通过离线训练图卷积网络（GCN）可以很好地捕捉连锁故障的复杂机理。随后，借助训练好的GCN模型可显著加速连锁故障的搜索。我们将电力网络拓扑与GCN的结构相关联，从而得到更小的参数空间来学习该复杂机理。我们进一步通过逐层相关性传播（LRP）算法使GCN模型具备可解释性。所提方法在IEEE RTS-79测试系统和中国河南电网系统上进行了测试。结果表明，GCN引导的方法不仅能加速连锁故障搜索，还能揭示预测潜在连锁故障的原因。
引用
@article{arxiv.2001.11553,
title = {Guiding Cascading Failure Search with Interpretable Graph Convolutional Network},
author = {Yuxiao Liu and Ning Zhang and Dan Wu and Audun Botterud and Rui Yao and Chongqing Kang},
journal= {arXiv preprint arXiv:2001.11553},
year = {2020}
}
备注
9 pages,8 figures