面向拓扑不准确情境的鲁棒时序图卷积网络用于智能电网状态估计

状态估计是电力系统中的关键任务。图神经网络通过有效分析测量数据，捕捉测量之间复杂的相互作用和关联，通过系统的图结构 demonstrating 了在电力系统状态估计中具有显著的潜力。然而，由于噪声、攻击或缺乏关于系统拓扑结构的准确信息，系统图结构信息可能不准确。本文研究了这些情境下的拓扑不确定情况，并评估了时序图卷积网络 (TGCN) 在电力系统状态估计中受拓扑不确定影响的性能。为了使模型对拓扑不确定具有鲁棒性，提出了对 TGCN 模型进行修改，以整合基于测量数据生成的知识图。本文引入两种 TGCN 架构变体以集成知识图，并对其性能进行评估和比较，以证明其在拓扑不确定情境下提升鲁棒性。评估结果表明，两种提出的架构虽然性能不同，却都能在拓扑不确定情境下提高 TGCN 状态估计的性能。