基于图物理信息注意力网络的电网级联故障风险轻量化评估模型

针对电网级联故障(CF)预测中计算延迟与物理规则缺失的难题，研究人员创新性地提出图物理信息注意力网络(GPIAN)，通过融合电网物理定律与复杂网络特征——电力功能强度(EFS)，构建轻量化自适应信息聚合框架。该模型参数减少90.7%，在IEEE-39/118/300及意大利电网测试中实现高精度实时预测，为主动式电网管理提供兼具解释性与工程实用性的新工具。

　　

随着新能源大规模并网和电网互联程度提升，级联故障(Cascading Failures, CF)引发的连锁停电事故已成为现代电力系统最严峻的挑战之一。传统动态模型如基于自组织临界性(Self-Organized Criticality, SOC)的OPA模型虽能模拟故障演化，但计算复杂度令其难以实时应用；而深度学习方法又普遍存在物理规则缺失与"黑箱"决策的缺陷。这种矛盾在意大利2003年大停电、美国2011年西南大停电等事件中暴露无遗——工程师既需要分钟级风险预警，又必须理解故障传播的关键节点。

西交利物浦大学智能电网研究团队在《Expert Systems with Applications》发表的突破性研究，给出了"鱼与熊掌兼得"的解决方案。他们开发的图物理信息注意力网络(Graph Physics-Informed Attention Network, GPIAN)创造性地将电网物理定律编码进图神经网络(Graph Neural Network, GNN)，通过三个关键技术革新实现飞跃：首先采用交流潮流(AC power flow)模拟生成训练数据，保留电压相位等关键物理量；其次引入电力功能强度(Electric Functional Strength, EFS)作为边特征，这个源自复杂网络理论的指标量化了节点间基于功率分配的相互作用强度；最后设计轻量化注意力头，仅保留EFS指导的特征聚合路径。这种"物理规则驱动"的架构使模型参数量骤降90.7%，却能在IEEE标准电网测试中保持95%以上的预测准确率。

关键技术方法包括：1)基于AC power flow的级联故障模拟框架，整合节点欠压、频率失稳等真实故障模式；2)融合EFS特征的图注意力机制，通过矩阵运算实现物理约束下的邻域信息聚合；3)混合训练策略，在IEEE-39/118/300和意大利真实电网数据上验证泛化能力。

【Method of cascading failure simulation】
通过改进Noebels的AC潮流故障模型，构建包含随机元件故障、负荷削减、线路过载三重机制的仿真系统。关键创新在于采用EFS替代传统电抗参数，使模拟过程既符合基尔霍夫定律又体现网络拓扑特性。

【Motivation】
受Hussain图Transformer启发，但突破性地用EFS重构注意力权重。实验证明，仅保留EFS>0.7的边参与计算时，模型在IEEE-118上的预测误差降低42%，验证了"物理筛选"比纯数据驱动的注意力更有效。

【Experiments and metrics】
在四类电网测试中，GPIAN的F1-score均超过0.92，推理速度达5ms/次。特别在意大利电网中，其预测的故障链与2017年实际事故吻合度达89%，显著优于Varbella的GAT模型(72%)。

【Conclusion】
该研究颠覆了传统GNN依赖特征相似性的注意力范式，证明将领域知识(如EFS)嵌入模型架构可同时提升性能与解释性。轻量化设计使GPIAN可部署于变电站边缘计算设备，其"物理信息+数据驱动"的框架更为智能电网研究开辟新路径——正如讨论部分强调的，这种范式可扩展至天然气网络、交通网等关键基础设施的风险评估。