BriefGPT - AI 论文速递
·
基于拓扑不确定性的智能电网状态估计的弹性时序图卷积网络
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新型图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法结合多种测量值和系统拓扑，在IEEE 123母线系统上验证了其有效性。结果显示，该模型在故障定位精度上优于其他方法，并对噪声和数据丢失具有鲁棒性。数据增强提高了模型的适应性，能应对拓扑变化。
🎯
关键要点
- 提出了一种新型图卷积网络（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母线基准系统上验证了GCN模型的有效性。
- 模拟结果显示该模型的故障定位精度高于其他机器学习方案。
- 该方法对测量噪声和数据丢失具有鲁棒性。
- 提出的数据增强过程提高了模型在各种噪声和数据丢失下的鲁棒性。
- 模型能够适应配电网络的拓扑变化，并在有限测量母线下良好运行。
➡️
