用于评估中压电网可靠性的图同构网络
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
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
本文研究了在电力系统中采用基于图卷积网络和超结构表示学习框架的人工智能工具,以提高分布式电网规划的计算效率和预测准确性。结果发现,这种超结构图卷积神经网络对比当前方法和其他七种深度学习模型更优。
Nov, 2022
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
研究了图神经网络(GNN)替代物在电网日常运营中基于蒙特卡罗(MC)取样的风险量化中的实用性。通过使用监督学习训练 GNN 替代物,它们被用于获取感兴趣的数量(运行储备、输电线路流量)的蒙特卡罗(MC)样本,给定(提前几小时的)概率性风力发电和负荷预测。评估了 GNN 替代物的实用性,并通过比较基于 OPF 和基于 GNN 的网格可靠性和风险来证明,GNN 替代物能够准确预测(总线级、支路级和系统级)电网状态,并能够快速而准确地量化电网的运营风险。因此,该文章利用 GNN 发展了多种工具,用于使用 GNN 在现实世界中快速评估电网的可靠性和风险。
Nov, 2023
我们研究了图神经网络在电力网络运行决策算法(最优潮流(OPF)和安全约束单位分配(SCUC))中作为代理的实用性,以实现对运行风险的严格量化。我们的结果表明,GNN 能够快速准确地预测量化感兴趣的量,并且因此可以成为 OPF 和 SCUC 的良好代理模型。GNN 基于可靠性和风险评估的出色准确性进一步表明,GNN 代理具有在实时和提前几小时的风险量化中应用的潜力。
Nov, 2023
本研究提出了一种异构多任务学习图神经网络(MTL-GNN),用于检测、定位和分类故障,同时提供故障电阻和电流的估计。使用图神经网络(GNN)学习配电系统的拓扑表示和特征学习,以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点,从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。
Sep, 2023
本研究通过引入 sigma 代数框架,将 GNN 的表现力和测试同构性的角度进行了比较,证明了不同类型的 GNN 的表现力在确定的条件下是等价的,提出了一种新的结构 Ring-GNN,该结构成功地区分了具有相同度数的非同构正则图,并在现实世界数据集上取得了良好的性能。
May, 2019
GraPhyR 是一种针对动态重构任务的物理信息图神经网络(GNNs)框架,通过在 GNN 框架中直接融入关键的运营和连接约束,实现了端到端的训练,并能够学习优化动态重构任务。
Oct, 2023