基于图神经网络的智能电网运行状态分析与评估OA北大核心CSTPCD

智能电网的安全运行是保证持续、高效供电的首要前提,为此,提出了一种基于图神经网络(GNN)的智能电网运行状态分析与评估模型。首先,利用长短记忆网络对量测数据中存在的缺失数据进行填补,以确保模型用于稳定性评估和故障定位时具有良好的性能。其次,基于GNN分别设计了用于电网运行稳定状态评估的二分类器和用于故障元件定位的多分类器。所提模型能够充分挖掘电网运行数据的时空特性,与其他方法相比,所提模型在不同量测条件下均表现出更为优异的性能。实验结果表明:当量测数据时长为0.1 s时,所提模型稳定性评估和故障定位准确率分别为0.9855和0.9814,高于其他模型;当仅可量测到一半元件数据时,所提模型稳定性评估、母线故障定位及发电机故障定位的准确率分别为0.9980,0.9609以及0.9812,高于其他模型。