کاربرد شبکه های عصبی گراف در شبکه های هوشمند برق: یک مرور جامع بر تشخیص و پیش بینی خطا

در سالهای اخیر، کاربرد شبکه های عصبی گراف (GNN) در تحلیل، تشخیص و پیش بینی خطاها در شبکه های هوشمند برق به سرعت افزایش یافته است. این مرور به بررسی منظم روندهای تحقیقات اخیر و شناسایی جهت های نوظهور در این حوزه می پردازد. مطالعات نماینده از جمله مدل های ویژگی گره-یال، چارچوب های زمانی و توالی آبشاری، معماری های مبتنی بر فیزیک و مجموعه داده های استاندارد بررسی و تجزیه و تحلیل شده اند. یافته ها نشان می دهد که GNNها با درک ساختار توپولوژیکی شبکه های قدرت و یادگیری روابط فیزیکی میان اجزای سیستم، توانایی قوی در پیش بینی رفتار پویا و افزایش قابلیت اطمینان سیستم های قدرت را ارائه می دهند. با این حال، چند چالش باقی مانده است، مانند کمبود داده های زمانی مرحله به مرحله، تفسیرپذیری مدل ها، و ادغام ناقص ابعاد گرافی، زمانی و فیزیکی. فرصت های تحقیقات آینده در توسعه مدل های قابل توضیح GNN، یکپارچه سازی منابع داده محرک IoT، و گسترش یادگیری مبتنی بر گراف به شبکه های چندانرژی برای پیشرفت تحلیل خطا و عملیات شبکه مقاوم می باشد.

Keywords:

خطاهای آبشاری , سیستم های قدرت , شبکه های عصبی گراف , یادگیری ماشین