基于时空循环图神经网络的电网风险诊断框架

风险诊断有益于明确风险隔离框架以及指定系统恢复措施,可为电网检修方式安排提供决策参考。在分布式能源集成化程度日益提高的情况下,基于逆变器的发电机异常电流较小,传统的继电保护失效,对电网系统的风险感知提出了新的要求。提出一种基于时空循环图神经网络(Spatial-Temporal Recurrent Graph Neural Network,STRGNN)的电网风险诊断框架,提升了检修方式的风险识别能力。STRGNN可以从关键母线上的电压测量单元数据中提取时空特征,根据特征进行风险事件检测、风险类型/相位分类、风险定位等操作。与现有研究成果相比,STRGNN对风险诊断具有更好的泛化能力。此外,STRGNN提取电压信号而不是电流信号,不需要在电网系统的所有线路上安装继电器,不受电流测量单元数量的约束。在波茨坦微电网系统和IEEE-123节点馈线系统上进行大量实验,结果表明STRGNN相比其他基准方法具有更好的性能。相较于最先进的图卷积方法在IEEE-123节点馈线系统上,风险定位准确率提升了1.8%。