[论文解读] Physics-Informed Graph Learning for Robust Fault Location in Distribution Systems.

Wenting Li, Deepjyoti Deka|arXiv (Cornell University)|Jul 5, 2021

Advanced Graph Neural Networks参考文献 3被引用 4

一句话总结

该论文提出了一种两阶段的物理信息图神经网络（GNN）框架，用于在配电系统中实现鲁棒的故障定位。该方法利用电网拓扑结构以及标记数据与未标记数据之间的物理相似性，在观测稀疏和标签率低的情况下提升准确性，在IEEE 123节点和37节点系统上优于基线模型，尤其在分布偏移条件下表现更优。

ABSTRACT

The rapid growth of distributed energy resources potentially increases power grid instability. One promising strategy is to employ data in power grids to efficiently respond to abnormal events (e.g., faults) by detection and location. Unfortunately, most existing works lack physical interpretation and are vulnerable to the practical challenges: sparse observation, insufficient labeled datasets, and stochastic environment. We propose a physics-informed graph learning framework of two stages to handle these challenges when locating faults. Stage- I focuses on informing a graph neural network (GNN) with the geometrical structure of power grids; stage-II employs the physical similarity of labeled and unlabeled data samples to improve the location accuracy. We provide a random walk-based the underpinning of designing our GNNs to address the challenge of sparse observation and augment the correct prediction probability. We compare our approach with three baselines in the IEEE 123-node benchmark system, showing that the proposed method outperforms the others by significant margins, especially when label rates are low. Also, we validate the robustness of our algorithms to out-of-distribution-data (ODD) due to topology changes and load variations. Additionally, we adapt our graph learning framework to the IEEE 37-node test feeder and show high location performance with the proposed training strategy.

研究动机与目标

• 解决在观测稀疏和标注数据有限的配电系统中故障定位的挑战。
• 提升模型对因拓扑变化和负荷波动引起的分布外数据的鲁棒性。
• 将电力系统物理约束整合到图神经网络中，以增强可解释性和准确性。
• 设计一种训练策略，利用标记样本与未标记样本之间的物理相似性，在低监督条件下提升性能。
• 在标准IEEE测试馈线系统上验证该框架，以证明其泛化能力和可扩展性。

提出的方法

• 第一阶段设计一种基于随机游走的节点采样GNN，以保留配电系统的几何结构，从而在观测稀疏条件下增强表征学习能力。
• 第二阶段引入一种物理相似性损失，根据电力系统中样本的物理行为对已标记和未标记样本的嵌入进行对齐。
• 该框架结合了电网单线图提供的结构归纳偏置与基于潮流方程推导出的物理约束。
• 采用两阶段训练流程，首先优化结构表征，然后通过物理一致性进行微调，以提升故障定位性能。
• 该方法采用图卷积网络（GCN）主干网络，并引入注意力机制以在消息传递过程中加权节点的重要性。
• 随机游走采样确保GNN能够捕捉长距离依赖关系，并在标注数据有限的情况下提升预测置信度。

实验结果

研究问题

• RQ1 在配电系统中，物理信息GNN框架是否能在标签率低和观测稀疏的条件下提升故障定位准确性？
• RQ2 将已标记样本与未标记样本之间的物理相似性纳入模型，如何增强模型的泛化能力和鲁棒性？
• RQ3 在拓扑变化和负荷波动等分布外条件下，所提方法的性能下降程度如何？
• RQ4 基于随机游走的采样策略在数据稀缺场景下如何提升GNN性能？
• RQ5 该框架是否能在不同测试馈线（如IEEE 123节点和37节点系统）上实现一致的高性能表现？

主要发现

• 所提方法在IEEE 123节点系统上的故障定位准确率显著优于三种基线模型，尤其在低标签率条件下表现突出。
• 由于引入了物理归纳偏置，模型对分布外数据（包括拓扑变化和负荷波动）保持了高度鲁棒性。
• 基于随机游走的采样策略在观测稀疏条件下提升了预测置信度并降低了错误率。
• 该框架在IEEE 37节点测试馈线中也表现出良好泛化能力，采用相同训练策略即可实现高故障定位准确率。
• 第二阶段的物理相似性损失通过将物理行为相似但未标记的样本嵌入对齐，有效提升了模型性能。
• 两阶段设计有效平衡了结构学习与物理一致性，从而在真实场景中实现了更优的泛化能力。