融入拓扑知识的图神经网络配电网抗差状态估计方法
Robust State Estimation Method for Distribution Network Based on Graph Neural Network Incorporating Topology Knowledge作者机构：电子科技大学机械与电气工程学院四川省成都市611731 丹麦奥尔堡大学能源技术学院丹麦奥尔堡9100
出 版 物：《电力系统自动化》 (Automation of Electric Power Systems)
年 卷 期：2023年第47卷第10期
页 面：84-97页
核心收录：
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
主 题：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
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。
维普期刊数据库
同方期刊数据库