使用超结构图卷积网络评估分布系统可靠性
为了应对气候变化,需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面,可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量,发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外,应用所提出的方法,还能准确识别出电力网的易受攻击的节点。最后,发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时,也具有准确性和实用性。
Jun, 2022
本文提出了一种新颖的图卷积网络(GCN)框架,用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值,并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上,GCN 模型的有效性得到了证实。模拟结果表明,该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外,该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明,该模型能够适应配电网络的拓扑变化,并能在有限数量的测量母线下良好运行。
Dec, 2018
该研究探讨了图神经网络在没有明确的高分辨率信息(发电机状态、电网拓扑和电力调度决策)的情况下,能否识别未来几个小时内电网的风险状况。研究发现,基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。
May, 2024
本研究提出了一种超图神经网络 (HGNN) 框架,可以通过超图结构编码高阶数据相关性,并使用超边卷积操作处理数据相关性,以有效地进行数据表示学习。实验结果表明,HGNN 方法优于最新的最先进的方法,并且可以处理现实世界中的复杂数据和多模数据。
Sep, 2018
本文提出使用图神经网络(GNNs)解决功率控制问题,并设计了干扰图卷积神经网络(IGCNet)来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能,并且可以解决传统算法下的功率控制问题。
Jul, 2019
本研究提出了一种基于 DRL 和 GCN 的分布式学习算法,使代理人能够通过从环境中获取反馈来改进投标策略并增加利润,同时将空间系统拓扑的信息输入到 GCN 中,帮助代理人了解系统结构并提高决策的准确性。在 IEEE 30-bus 系统和 IEEE 39-bus 系统的测试中表明该算法具有较好的泛化能力和更高的利润。
Aug, 2022
利用图同构网络(GIN)进行中压网的 1-n 评估,结果显示相较于传统的数学优化方法,GIN 方法具有更快、更可靠的评估速度,减少了大约 1000 倍的预测时间,为解决计算挑战、提高能源网络评估的可靠性和效率提供了一种有前景的方法。
Oct, 2023
通过图神经网络(GNN)发展了一种检测电力网故障的新方法,旨在增强网络运维中的智能故障诊断能力,该方法借助特殊的电气特征提取模型和知识图谱,通过整合节点的历史和未来状态来辅助当前故障检测,并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性,实验证明该方法可在模拟场景中准确定位故障节点,准确率达到 99.53%,此外,图神经网络的特征建模还可定性揭示故障在节点之间的传播情况,提供有价值的故障节点分析洞察。
Nov, 2023
本文提出了一种新颖的多任务图神经网络(GNN),能够同时检测道路区域和道路边界;这两个任务之间的相互作用从两个角度提供了卓越的性能:(1)层次化检测的道路边界使网络能够捕获并编码整体道路结构以增强道路连通性(2)识别语义土地覆盖区域的内在相关性缓解了识别外观相似区域中充满道路的困难。实验结果表明,与现有方法相比,所提出的架构可以提高道路边界勾画和道路提取的准确性。
Jul, 2024