A Heterogeneous Graph-Based Multi-Task Learning for Fault Event Diagnosis in Smart Grid

要約

配電システムがダウンタイムを最小限に抑え、信頼性の高い動作を維持するには、正確かつタイムリーな障害診断が必須条件です。
これには、障害イベントが発生した場合に系統運用者に洞察力に富んだ情報を提供できる包括的な手順へのアクセスが必要です。
この論文では、故障抵抗と電流の推定値を提供することに加えて、故障の検出、位置特定、分類が可能なヘテロジニアス マルチタスク学習グラフ ニューラル ネットワーク (MTL-GNN) を提案します。
グラフ ニューラル ネットワーク (GNN) を使用すると、メッセージ パッシング スキームによる特徴学習だけでなく、配信システムのトポロジ表現を学習することができます。
IEEE-123 テスト フィーダ システムを使用して、提案したモデルの堅牢性を調査します。
この研究では、配信システム内のキーノードを特定するための新しい GNN ベースの説明可能性手法も提案しています。これにより、情報に基づいたスパース測定が容易になります。
数値テストにより、すべてのタスクにわたるモデルのパフォーマンスを検証します。

要約(オリジナル)

Precise and timely fault diagnosis is a prerequisite for a distribution system to ensure minimum downtime and maintain reliable operation. This necessitates access to a comprehensive procedure that can provide the grid operators with insightful information in the case of a fault event. In this paper, we propose a heterogeneous multi-task learning graph neural network (MTL-GNN) capable of detecting, locating and classifying faults in addition to providing an estimate of the fault resistance and current. Using a graph neural network (GNN) allows for learning the topological representation of the distribution system as well as feature learning through a message-passing scheme. We investigate the robustness of our proposed model using the IEEE-123 test feeder system. This work also proposes a novel GNN-based explainability method to identify key nodes in the distribution system which then facilitates informed sparse measurements. Numerical tests validate the performance of the model across all tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google