融入拓扑知识的图神经网络配电网抗差状态估计方法

摘要：

量测信息少、量测精度不足是影响配电网状态估计精度的重要问题.基于确定物理拓扑的传统算法依赖于配电网精确参数,而普通的神经网络模型容易受到异常值与缺失值的干扰.为了解决上述问题,提出一种基于深度图学习的配电网抗差状态估计方法.所提模型依据物理拓扑知识进行信息传递,并使用全局图注意力机制聚合节点信息,以实现多种拓扑结构下的抗差状态估计任务.通过嵌入物理拓扑知识与注意力机制并融合深度学习技术,该模型可以学习数据深层次的结构信息,从而掌握多种拓扑的特征映射规律并获取抵抗异常值与干扰的能力.实验结果表明,该模型在多拓扑数据学习时具有更优的估计精度与抗差能力,并且可以使用多拓扑的历史运行数据提高估计精度.相较于普通的参数化模型,所提方法具有更强的鲁棒性与可解释性.

关键词：配电网、状态估计、图注意力机制、图神经网络、深度学习、物理信息融合

所属期刊栏目：47

分类号：TP391;TM761.2;TN912.34

资助基金：国家自然科学基金52277083

在线出版日期：2023-06-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：84-97