用于电力电网级联故障预测的物理信息驱动的图神经跳跃常微分方程

《IEEE Transactions on Power Systems》：Physics-Informed Graph Neural Jump ODEs for Cascading Failure Prediction in Power Grids

　　

摘要：

电网中的级联故障对基础设施可靠性构成严重威胁，然而其实时进展预测至今仍是一个未解决的挑战。基于物理的模拟器在每个场景下需要大量计算资源，而现有的图神经网络方法将级联故障视为静态分类任务，且极少验证其物理信息驱动模块是否真正具有物理意义。本文提出了物理信息驱动的图神经跳跃常微分方程模型（PI-GN-JODE），该模型结合了边条件图神经网络编码器、用于连续功率重分配的神经常微分方程、用于离散继电器跳闸的跳跃处理器，以及一个基于基尔霍夫定律的物理模块——在该模块中，学习得到的注入量和潮流量与AC解进行监督对齐，潜空间状态则解码为功率重分配后的电网稳态。我们证明，被广泛使用的替代方案——对学习代理变量施加软功率平衡惩罚——实际上是空洞满足的：在三个测试系统上，该方法将残差驱动至低于2×10?7，但学习代理变量与真实功率量之间却毫无相关性。物理锚定恢复了的物理意义并提升了预测精度。在IEEE 118节点系统上测试20,000个场景，该模型在自回归多轮预测中达到边故障PR-AUC为0.899、节点故障PR-AUC为0.896、未满足需求R2为0.803的性能，同时在IEEE 24节点和300节点系统上也取得了相应结果。在保护模型不匹配、含随机继电器和隐藏故障的零样本评估条件下，边PR-AUC仍保留了98.6%；批量推理每个场景仅需1.7毫秒，而同机上底层的交流级联模拟需要64.9毫秒。该架构在由不同模拟框架生成的PowerGraph基准上也达到了已发表的最高平衡准确率0.996。