低可观测有源配电网中基于Mamba驱动的时空图神经网络故障定位方法

《Machines》：A Mamba-Driven Spatiotemporal Graph Neural Network for Fault Location in Low-Observability Active Distribution Networks

　　

在低可观测有源配电网中实现精确故障定位受到节点间不确定关系、早期暂态信息利用不足以及全局上下文缺失的阻碍。针对这些挑战，研究人员提出一种自适应Mamba驱动的时空图神经网络（AM-STGNN）。该框架提供统一的任务驱动时空表示体系，逐步融合故障传播建模、全局依赖建模、暂态学习及拓扑感知判别增强。首先学习先验引导的自适应隐式拓扑以刻画稀疏观测节点间任务相关的电气耦合关系；在此基础上通过拓扑条件多阶特征传播与基于时空图Transformer（STGformer）的双轴线性注意力捕获局部与全局时空依赖；随后由Mamba选择性状态空间编码器处理所得全局时空表示，以建模输入依赖的时间演化并突出信息性故障暂态；最后通过逐元素门控融合、拓扑感知差分输出与间隔约束集成STGformer与Mamba表示，增强响应相似相邻故障区段的可分性。大量实验证明了AM-STGNN的有效性，附加评估确认其对更大规模网络、强三相不平衡及现场实测运行背景的适用性；在单独与多级联合扰动下的鲁棒性测试进一步体现所提架构的实际相关性。相较于基线模型，AM-STGNN在干净IEEE 123节点条件下于宏平均F1分数（Macro-F1）、精确准确率与单跳准确率上取得一致提升，并在相同轻、中、重度联合扰动下保持明显性能优势，表明其在模拟非理想运行条件下具有改进鲁棒性与实际意义。

研究背景方面，随着分布式能源与电力电子装置大量接入，配电网演变为有功潮流双向交换的有源配电网（active distribution network），故障后暂态对运行工况更敏感，而高密度量测部署成本过高，低可观测条件下快速准确定位故障成为运维关键问题。既有阻抗法、相量测量法、状态估计法依赖参数与模型完整性，行波法对采样同步要求严苛，常规深度学习难表拓扑空间关联，已有图神经网络（graph neural network, GNN）则受限于静态邻接、暂态利用不足与全局关联弱。为此，研究人员开展一项统一任务导向的表示学习研究，提出AM-STGNN，在IEEE 123节点系统上验证其相较GTN、GCN、GATv2+GCN、PPGN、scGNN、xLSTM等基线在Macro-F1、Acc、Acc 1-hop上均占优，且在联合扰动下保持鲁棒，论文发表于《Machines》。

关键技术方法上，研究人员采用IEEE 123节点有源配电网仿真故障数据集（128故障区段×10故障类型×20采样点@500 Hz，观测率25%），先以电气距离结合PBH可观性判据分区选代表观测节点；继而构建先验引导自适应隐式拓扑（静态k-NN距离先验+可学习方向敏感嵌入），经拓扑条件多阶传播与STGformer双轴线性注意力得全局时空表示；序列重排后入Mamba选择性状态空间编码器做节点级输入依赖时序建模；最后以逐元素门控融合STGformer与Mamba输出，接拓扑感知差分头与场景级间隔损失（margin loss）训练。

研究结果部分，第2节观测节点选取策略中指出，按故障不平衡电流传播方向做有向图遍历，DFS+BFS分区后依区域内最短电气线距离相关系数选代表节点，并用PBH秩条件校验所选节点集满足系统可观性。第3节方法中小结如下：3.1节自适应拓扑引导STGformer表示学习中，先验引导自适应隐式拓扑生成以方向敏感得分矩阵Softmax归一融合静态先验，拓扑条件多阶传播获零阶与一阶表示，双轴线性注意力沿空间轴（节点间）与时间轴（采样点间）以核分解避免平方复杂度，多层残差更新输出H_STG；3.2节基于Mamba的选择性时序建模将H_STG按节点重排为N条序列，经RMSNorm、深度可分离卷积与SiLU得输入依赖步长Δ、B、C，离散化状态空间递归强调故障初期暂态，输出H_Mamba；3.3节门控时空融合与拓扑感知差分输出以Sigmoid门控逐元素融合两表示，构造拓扑差分矩阵D提取邻段偏差特征，拼接原始与差分特征经全连接与LogSoftmax得时段logits，场景级取窗内平均，分类负对数似然叠加最强竞争类间隔损失（λ_m控制）扩大决策边界。第4节结果分析中，独立优化协议下AM-STGNN获Macro-F1 0.9684、Acc 0.9711、Acc 1-hop 0.9938，严格匹配协议下达0.8686/0.8695/0.9203，十种子配对t检验与Wilcoxon检验显示Acc 1-hop提升显著；消融证实去掉Mamba或隐式拓扑均掉点，联合轻中重扰动（含噪声、相位不平衡、量测缺失）下性能衰减最小；扩展至葡萄牙农村网、南加州28总线及现场录波背景仍保持优势。

讨论与结论翻译：研究人员得出结论，AM-STGNN通过先验引导自适应隐式拓扑、STGformer双轴线性注意力、Mamba选择性状态空间与拓扑感知间隔判别的逐级融合，解决了低可观测有源配电网故障定位中耦合关系不确定、早期暂态欠利用与相邻区段混淆三大瓶颈；该统一框架在IEEE 123节点干净与联合扰动场景、更大规模网、强不平衡及现场背景下均具重复性与鲁棒性，其Macro-F1、精确准确率与单跳准确率一致优于既有图与序列模型，为少量量测下的配电网故障区段辨识提供了可部署的时空表示方案。