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。该方法结合多个测量值和系统拓扑，显示出比传统机器学习方案更高的定位精度，并具备对测量噪声和数据丢失的鲁棒性。实验结果表明，该模型能适应拓扑变化，并在有限测量下有效运行。

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。

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。