基于图神经网络的电力故障级联预测
本论文研究了使用图神经网络方法对历史电力系统数据进行训练,以预测电量流计算结果。通过在测试系统上的结果表明,使用所提出的图神经网络电量流模型可以比传统的直流(DC)功量流方法和深度神经网络(DNN)模型以及卷积神经网络(CNN)模型得到更准确有效的数据处理方案。
Jul, 2023
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
该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器,称为 GNS。该模型在训练中考虑了不同颗粒轨迹,并且在测试中展现了优秀的性能,可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。
May, 2023
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
通过信息传播模型,研究电网中的级联故障;通过将传染概率与信息串联模型相关联,建立了稳健的故障扩散模型,有效地预测级联故障传播,减少大规模级联故障的风险。
Jun, 2024
该论文提出了一种新的框架来提高级联大小预测的准确性,通过三个阶段改进了用户偏好模型,即偏好主题生成,偏好转移建模和社会影响激活。实验表明相比现有模型,该模型更加准确和有效。
Apr, 2022
通过图神经网络将原因与复杂变量之间的因果机制显式建模,提高了欧洲北方和地中海生物群系野火模式预测的性能。该方法在高度不平衡的数据集中表现出卓越的性能,并增强了模型适应功能关系变化的稳健性。通过训练模型得到的 SHAP 值进一步增强了我们对模型内在工作原理的理解。
Mar, 2024
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