BriefGPT - AI 论文速递
·
PowerGraph：用于图神经网络的电网基准数据集
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
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。模拟结果表明，该模型的故障定位精度高，对测量噪声和数据丢失错误具有鲁棒性。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。
🎯
关键要点
- 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错误具有鲁棒性。
- 提出了数据增强过程以提高模型在各种噪声和数据丢失错误下的鲁棒性。
- 实验表明，该模型能够适应配电网络的拓扑变化，并在有限数量的测量母线下良好运行。
➡️
