BriefGPT - AI 论文速递
·
用于评估中压电网可靠性的图同构网络
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文介绍了一种新的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法考虑了系统拓扑结构和不同母线上的多个测量值，具有较高的故障定位精度和鲁棒性。同时，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，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。
-
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。
-
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。
➡️
