电网预测性维护与聚类的多层图神经网络
系统与控制
2025-07-11 v1 机器学习
系统与控制
摘要
不可预见的停电每年造成美国经济超过 1500 亿美元的损失，部分原因是预测性维护（PdM）模型忽略了电网故障中出现的空间、时序和因果依赖关系。本研究引入多层图神经网络（GNN）框架以增强 PdM 并实现基于韧性的配电站聚类。该框架利用来自 Oklahama Gas & Electric（292,830 条记录，覆盖 347 个配电站）的七年事件数据，集成图注意力网络（空间）、图卷积网络（时序）和图同构网络（因果），通过注意力加权嵌入进行融合。我们的模型实现了 30 天 F1 分数为 0.8935 ± 0.0258，超越 XGBoost 和随机森林提升 3.2% 和 2.7%，超越单层 GNN 提升 10-15%。移除因果层后性能下降至 0.7354 ± 0.0418。对于韧性分析，基于 HierarchicalRiskGNN 嵌入的 HDBSCAN 聚类识别出八个运营风险组。最高风险聚类（Cluster 5，44 个配电站）显示年发病 388.4 例，恢复时间 602.6 分钟，而低风险组报告不足 62 例。ANOVA（p < 0.0001）确认聚类间存在显著差异。我们的聚类在 Silhouette Score（0.626）和 Davies-Bouldin 指数（0.527）上均优于 K-Means 和谱聚类。这一工作通过改进故障预测和风险感知的配电站聚类，支持主动电网管理。
引用
@article{arxiv.2507.07298,
title = {Multilayer GNN for Predictive Maintenance and Clustering in Power Grids},
author = {Muhammad Kazim and Harun Pirim and Chau Le and Trung Le and Om Prakash Yadav},
journal= {arXiv preprint arXiv:2507.07298},
year = {2025}
}