PC-LossGNN：用于线路损耗异常五分类的物理一致时空图神经网络

《Symmetry》：PC-LossGNN: A Physics-Consistent Spatiotemporal Graph Neural Network for Line Loss Anomaly Classification

　　

现代配电网经历频繁的拓扑重构、波动的双向潮流及含噪量测，使得五类线路损耗（线损）异常分类兼具价值与挑战。本研究提出PC-LossGNN——一种面向边级五分类（Normal正常、Infrastructure基础设施异常、Documentation档案/参数异常、Metering计量异常、Theft窃电）的物理一致时空图神经网络(Physics-Consistent Spatiotemporal Graph Neural Network, PC-LossGNN)。该方法将静态拓扑先验与量测自适应图(Measurement-Adaptive Graph)及置信度感知多源特征融合；通过由有功/无功功率平衡残差、电压降残差和欧姆损耗残差驱动的残差引导注意力(Residual-Guided Attention)注入功率流物理信息；采用双路径解码器(Dual-Path Decoder)输出校准概率与可解释类别证据，并在不确定性加权课程学习目标(Uncertainty-Weighted Curriculum Objective)下训练。在六个月真实电网数据上，模型取得宏F1值(Macro-F1) 0.8503与准确率(Accuracy) 0.9915，优于XGBoost、LSTM、GCN、STGCN及近期物理感知时空GNN基线ST-RGNN与PA-STGCN。消融实验表明物理一致正则化(Physics-Consistent Regularization)起关键作用，自适应拓扑与交互时序编码进一步提升性能。高斯噪声注入的鲁棒性测试显示模型退化更平缓。结果表明PC-LossGNN可为实际运行提供准确、物理合理且可解释的细粒度线损诊断。

论文解读：PC-LossGNN——用于配网线路损耗异常五分类的物理一致时空图神经网络

研究背景与动机

随着分布式电源、可再生能源及电气化负荷渗透率提高，配电网运行环境日趋复杂，光伏、风电及电动汽车引入双向与强波动潮流，例行维护、故障隔离及负荷转移导致的频繁倒闸操作使网络拓扑持续变化。线损（线路损耗，Line Loss）是评估配网效率与健康状态的基本参量，正常线损源于导体焦耳效应，超出合理范围的偏差属异常线损。现有方法多仅做异常检测或二分类（技术/非技术线损），难以区分基础设施老化(Infrastructure)、档案/参数错误(Documentation)、计量故障(Metering)与窃电(Theft)等细粒度类别，且普遍假设固定拓扑、未充分建模量测不确定性与物理一致性约束，缺乏可解释性，限制了实际运维应用价值。因此研究人员提出将线损异常五分类重构为物理约束的边级诊断任务，融合拓扑自适应、时空表示学习、残差引导注意力和类别证据解码。该文发表于《Symmetry》。

主要关键技术方法

研究人员基于国内某配网2022年5月至11月真实运行数据（15条馈线、1175节点、1210支路、15分钟分辨率），以历史维护记录、人工巡检与工单标注真值，对罕见窃电与计量异常辅以物理约束异常注入(Physically Constrained Anomaly Injection)扩充训练样本。方法上构建置信度感知节点/边时序张量，融合静态电气拓扑先验邻接矩阵A_static与量测驱动的自适应邻接矩阵A_adaptive得融合图；设计交互式时空融合编码器(Interactive SpatioTemporal Fusion Encoder, ISTFE)以奇偶时序拆分—时空混合图卷积(SpatioTemporal Hybrid Graph Convolution, STHGC)—跨流乘性交互提取节点—时序嵌入；支路边表示由端点节点嵌入与边时序特征对称拼接并经多层感知机(MLP)与门控线性单元(GLU)映射，再由支路物理残差（有功/无功功率平衡残差R_P、电压降残差R_V、欧姆损耗等价残差R_Ω）调制残差引导注意力得最终边嵌入；解码器为双路径——Softmax头与可学习类别原型(Prototype/Center)头混合输出五类校准概率并提供类别证据；总损失为类平衡焦点交叉熵(Class-Balanced Focal Cross-Entropy)、物理一致损失L_phys（基于功率平衡、电压降与欧姆损耗残差并以量测置信度加权）、残差感知时序平滑项及原型分离项的课程学习式不确定性加权组合，辅以窃电合成样本注入与焦点损失缓解极端类别不平衡。

研究结果

4.1 数据源与实现细节

数据集按时间划分为训练（前4个月）、验证（第5个月）、测试（最后1个月），类别分布为Normal 98.5%、Metering 0.8%、Infrastructure 0.4%、Documentation 0.25%、Theft 0.05%。五次独立重复实验取均值±标准差。

4.2 评估指标与基线

因严重类别不平衡重点考察宏精确率(Macro-Precision)、宏召回率(Macro-Recall)、宏F1值(Macro-F1)，基线含XGBoost、LSTM、GCN、STGCN及近期物理感知时空GNN基线ST-RGNN与PA-STGCN。

4.3 所提模型性能

PC-LossGNN在测试集达Accuracy 0.9914±0.0001，Macro-F1 0.8503±0.0039，各类别F1分别为Normal >0.994、Infrastructure 0.862、Documentation 0.818、Metering 0.894、Theft 0.683，优于所有基线且方差最小，说明物理一致正则化约束解空间提升稳定性。

4.4 统计显著性分析

McNemar检验（b=4091, c=8044, χ2=1287.05, p<10?1?）与自举(Bootstrap, 10000次)分析显示PC-LossGNN较STGCN的ΔMacro-F1均值为0.0902，95% CI [0.0808, 0.0995]，改进显著且具实际意义；窃电(Theft)与档案异常(Documentation)类准确率分别提升约14与13个百分点。

4.5 消融实验

去除物理一致正则化L_phys使Macro-F1降至0.7718±0.0077；去除时序或空间编码器分别降至0.7496±0.0058与0.7238±0.0125；仅用静态拓扑无自适应邻接降至0.8264±0.0037。替换标准交叉熵（去焦点损失）使Macro-F1降至0.7887±0.0082且文档与窃电类显著下降；去除窃电合成注入使Theft类F1骤降至0.393±0.019而其余类几无影响，证实二者互补——焦点损失缓解全局类别不平衡偏移，合成注入补足极稀有类内表征。

4.6 鲁棒性分析

在测试集量测注入不同信噪比高斯噪声，PC-LossGNN Macro-F1衰减最平缓，基线尤其是GCN与LSTM衰减剧烈，证明物理损失作强正则化过滤噪声诱导不合理波动。

4.7 基于类别原型证据的可解释性分析

t-SNE可视化末层边嵌入与五类可学习原型μ_c，Normal聚成致密簇与其他异常分离，四异常类各自形成较弥散但可分簇（Infrastructure与Documentation部分重叠反映物理签名固有模糊）。原型相似度剖面对高置信度样本呈单峰（如窃电原型相似度≈0.68），对模糊样本呈双峰（Infrastructure≈0.47, Documentation≈0.36），可支持运维人员按置信度自动处置或转专家复核。

讨论与结论（译文浓缩）

研究人员提出并验证了PC-LossGNN框架用于配网线损异常五分类。真实电网数据实验表明模型在各类基线对比中具更高精度与鲁棒性，优势来自物理信息约束嵌入、时空编码能力与自适应图结构融合。框架为增强配网运行感知与决策提供了灵活通用的异常分类途径。当前模型对Documentation与Infrastructure异常存在一定混淆（电气签名重叠），未来拟融合运维记录等异构数据源以提升细粒度区分能力。

（原文Conclusion译文：本文提出PC-LossGNN用于配电网线损异常细粒度分类。真实电网数据集仿真结果表明，该模型在五类线损分类上有效，相比多种机器学习、深度学习及近期物理感知图神经网络基线，本模型在不同噪声模式下更鲁棒准确。模型优越性归因于融合了物理知情约束、时空编码能力和自适应图结构。总之，本文提出了一种灵活且广泛适用的异常分类框架，可增强配电网运行感知与决策能力。所提框架指明未来方向：本研究对"Documentation"与"Infrastructure"异常存在一定混淆（具重叠电气特征），故重要未来工作是探索融合更多源数据（如维护记录）以学习更具判别力的特征表示，提升这两类细粒度分类性能。）