PPGN：面向低观测与少标签配电系统实时故障定位的物理保持图网络
机器学习
2024-07-30 v3 系统与控制
系统与控制
摘要
若缺乏及时的监测与控制策略，电气故障可能引发停电或野火。传统配电系统故障定位方案在网络可观性较低时无法实现实时，而新颖的黑盒机器学习方法在随机环境中较为脆弱。我们提出一种新颖的物理保持图网络（PPGN）架构，在可观性与有标签训练数据有限的情况下，于节点层级精确实现故障定位。PPGN具有独特的两阶段图神经网络架构。第一阶段利用少量测量节点学习图嵌入以表征整个网络。第二阶段寻找有标签与无标签数据样本间的关系，以进一步提升定位精度。我们通过随机游走等价性阐释了两阶段图配置的优势。我们在IEEE 123节点与37节点测试馈线中对该方法进行数值验证，表明在标签训练数据有限且允许负荷与拓扑变化的情况下，其性能优于三种基线分类器。
引用
@article{arxiv.2107.02275,
title = {PPGN: Physics-Preserved Graph Networks for Real-Time Fault Location in Distribution Systems with Limited Observation and Labels},
author = {Wenting Li and Deepjyoti Deka},
journal= {arXiv preprint arXiv:2107.02275},
year = {2024}
}
备注
10 pages, 4 figure