PulseAugur
中
实时 07:48:54
English(EN) Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels

图神经网络在电网故障定位方面展现出潜力

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文探讨了时空图神经网络（STGNNs）在分布式能源（DER）渗透率不断提高的配电网中进行故障定位的有效性。该研究将STGATv2与时间模型和空间模型进行了基准测试，发现STGATv2表现最佳，准确率达到92-94%。值得注意的是，在较高DER渗透率水平下训练的模型比反之更能泛化到较低水平，并且即使在真实的测量噪声下也能保持稳健的性能。 AI

影响 这项研究通过在复杂、现代能源系统中实现更准确的故障检测，有望提高电网的可靠性。

排序理由 学术论文，详细介绍了新方法和基准测试结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

图神经网络在电网故障定位方面展现出潜力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Burak Karabulut, Olayiwola Arowolo, Carlo Manna, Chris Develder, Jochen L. Cremer ·

    评估图神经网络在不断增加的分布式能源渗透水平下进行故障定位的泛化能力

    arXiv:2607.29293v1 Announce Type: new Abstract: Accurate fault location is critical for distribution network reliability. However, increasing distributed energy resource (DER) penetration complicates fault location due to intermittent generation and bidirectional power flows that…

相关实体

相关话题