面向小规模电网局部拓扑变化的基约束图卷积网络小样本状态估计适应方法

《Sensors》：Measurement-Based Probabilistic Power Flow Using a Basis Constrained Graph Convolutional Network with Few-Shot Node Adaptation

　　概率功率流量化了在可变光伏发电下电压和相角的不确定性，但重复的交流蒙特卡洛仿真成本高昂。当仅有一个小目标数据集时，局部拓扑变化还会修改电算子和状态维度。我们提出了一种基约束图卷积网络（BCGCN），用于小规模电网在局部母线添加后的小样本适应。BCGCN使用图拉普拉斯算子和本征正交分解模态来预测一阶解周围的非线性残差。它转移源坐标；仅适应新母线行、旋转、读出和校正门；并冻结主干网络。实验结果表明，在IEEE 14和IEEE 57扩展网络上，BCGCN在所有四种报告的误差上均优于其他方法。IEEE 118和波兰2746网络确立了规模边界。在IEEE 118的64个误差单元中，BCGCN仅胜9个，在波兰2746网络上无一胜出，同时保持紧凑的更新。配对的IEEE 118光伏研究表明，目标试点减少了零样本误差，残差校正消除了大部分高变异性的线性化误差。因此，BCGCN对于小规模电网中的局部小样本适应是有效的，但对于大型网络而言，并非一种保持精度的适配器。