Power Distribution Network Topology Detection Using Dual-Graph Structure Graph Neural Network Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Topology detection (TD) in the context of power distribution networks (PDNs) is a fundamental requirement for a wide range of applications, such as fault localization and load management. PDNs suffer from a lack of real-time topological information due to insufficient data on switch statuses and an increasing number of switching actions caused by reconfigurations and the control of distributed energy resources (DERs). On this basis, in this paper, a novel near real-time TD method for PDNs is proposed. This method is built on a specialized graph neural network (GNN) design using data from micro-phasor measurement units (<inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$\mu $ </tex-math></inline-formula>PMUs), leveraging the strengths of both graph-based learning and conventional deep learning (DL) approaches. More specifically, the developed TD method implements a novel dual-graph structure GNN (DGS-GNN) model to transform the TD problem into an inductive link prediction task for a multi-graph dataset. During the training phase, a node attribute similarity graph is created, and the resulting node embeddings are aligned with the actual topology graph (ATG) using a structure-aware loss function. In the inference phase, however, unlike standard GNN models that require structural information as input, the ATG is recovered based solely on node attributes. The developed method enables TD using a limited number of phasor measurements with low inference time and superior generalization capability for unseen scenarios. Its strong performance in large-scale PDNs with varying configurations, as well as its robustness to uncertainties from DERs and noisy environments, is demonstrated on the IEEE 33- and 123-Bus benchmarks and a standard 240-Bus test system. The proposed method outperforms its DL-based counterparts in scenarios where full or partial system topology should be detected.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle