[论文解读] PPGN: Physics-Preserved Graph Networks for Real-Time Fault Location in Distribution Systems with Limited Observation and Labels

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

Power Systems Fault Detection参考文献 16被引用 9

一句话总结

该论文提出物理保全图网络（PPGN），一种两阶段图神经网络，利用配电网物理特性，在PMU观测稀疏且标签率低的情况下实现实时、高精度的故障定位。通过在第一阶段使用物理信息邻接矩阵，在第二阶段使用基于统计相似性的邻接矩阵，PPGN在负载变化、拓扑变更及低标签率（低至15%）条件下，于IEEE 123-和37节点馈线系统中实现了最先进精度——最高达99.9%的LAR（定位准确率）。

ABSTRACT

Electrical faults may trigger blackouts or wildfires without timely monitoring and control strategy. Traditional solutions for locating faults in distribution systems are not real-time when network observability is low, while novel black-box machine learning methods are vulnerable to stochastic environments. We propose a novel Physics-Preserved Graph Network (PPGN) architecture to accurately locate faults at the node level with limited observability and labeled training data. PPGN has a unique two-stage graph neural network architecture. The first stage learns the graph embedding to represent the entire network using a few measured nodes. The second stage finds relations between the labeled and unlabeled data samples to further improve the location accuracy. We explain the benefits of the two-stage graph configuration through a random walk equivalence. We numerically validate the proposed method in the IEEE 123-node and 37-node test feeders, demonstrating the superior performance over three baseline classifiers when labeled training data is limited, and loads and topology are allowed to vary.

研究动机与目标

• 解决在PMU观测稀疏且标签可用性低的配电网系统中实现实时故障定位的挑战。
• 克服黑箱机器学习模型在负载波动和拓扑变化等随机环境下的局限性。
• 将配电网物理规律——特别是故障电流稀疏性——整合进图神经网络框架，以提升模型鲁棒性与可解释性。
• 设计一种两阶段图神经网络架构，分别建模网络结构与数据相似性，以在弱监督条件下提升泛化能力。
• 在包括拓扑重构和负载波动在内的多种运行场景下验证方法的鲁棒性。

提出的方法

• 在第一阶段基于配电网的物理拓扑结构构建可调节邻接矩阵$A$，将结构信息嵌入图表示中。
• 在第二阶段使用基于标签样本与未标签样本间统计关系构建的相似性邻接矩阵$B$的图神经网络，以提升泛化能力。
• 两阶段架构将局部结构编码与全局标签感知表示学习解耦，从而实现更优的收敛性与鲁棒性。
• 理论分析表明，该两阶段设计等价于随机游走过程，为其捕捉长程依赖关系并提升泛化能力提供了理论依据。
• 采用两阶段训练策略：首先在无标签数据上预训练第一阶段GNN（$\mathcal{G}_\text{I}$），然后使用标签数据微调第二阶段GNN（$\mathcal{G}_\text{II}$）。
• 利用OpenDSS进行动态潮流仿真，生成包含不同负载与开关状态的多样化故障场景，用于训练与测试。

实验结果

研究问题

• RQ1 在配电网中观测稀疏且标签率低的条件下，物理信息图神经网络能否提升故障定位精度？
• RQ2 在随机性较强的配电网环境中，引入故障电流物理稀疏性如何增强模型的泛化能力？
• RQ3 使用两种不同的邻接矩阵——基于拓扑的与基于数据相似性的——对模型性能与鲁棒性有何影响？
• RQ4 在标签数据有限的情况下，两阶段训练策略与端到端监督训练相比，在收敛性与精度方面表现如何？
• RQ5 该模型在无需微调的情况下，对未见拓扑与负载波动的泛化能力有多强？

主要发现

• 在仅使用15%标签数据的IEEE 123节点馈线系统中，PPGN实现了99.9%的LAR（定位准确率），优于所有基线模型。
• 在IEEE 37节点馈线系统中，该方法在低标签率下相比传统监督训练，LAR最高提升6个百分点。
• 在所有测试的开关状态（如Open 1-6，Close 7&8）下，模型LAR均保持在95%以上，表明其对拓扑重构具有强鲁棒性。
• 在不同负载范围（$\Delta p$从0.53到0.74 p.u.）下，PPGN的LAR均高于95%，显著优于GCN（55.1%）与CNN（82%）基线模型。
• 两阶段训练策略实现了更优的收敛性与泛化能力，在15%标签率下，1跳LAR${}^{\text{1-hop}}$达到98.9%。
• 理论等价于随机游走过程，验证了两阶段中分别使用结构学习与统计学习邻接矩阵的设计合理性。