基于 GRU 门控图注意力的归纳式电网连锁故障分析

在连锁故障发生前识别电网中的脆弱输电线路具有挑战性：现有方法能够从连锁故障数据中学习线路间的故障相关性，但它们在单一电网上进行训练和评估，将所学知识迁移到未见过的电网仍是一个开放问题。我们通过在来自有限训练电网的合并连锁故障数据上训练单个门控循环单元（GRU）门控的图注意力网络，并将其直接应用于任何未见过的电网而无需重新训练，从而解决了这一问题。GRU 门控控制每个节点在每次连锁迭代中保留或丢弃哪些信息。实证评估表明，该模型能够零样本迁移到跨越不同时间和不同领域设置的多个新电网。利用从训练模型中提取的信息，我们始终能比现有的结构和电气基线识别出更多脆弱线路。