核心概念
提案されたモデルは、配電システムにおける故障検出、故障位置特定、故障タイプ分類、故障抵抗推定、故障電流推定の5つのタスクを同時に実行することができる。
要約
本研究では、配電システムにおける故障イベントの診断のための統一的な異種グラフベースの多タスク学習モデル(MTL-GNN)を提案している。提案モデルは、故障検出、故障位置特定、故障タイプ分類、故障抵抗推定、故障電流推定の5つのタスクを同時に実行することができる。
GNNを使うことで、配電システムのトポロジー表現と特徴学習を行うことができる。提案モデルは、測定誤差、可変抵抗、トポロジー変化などの実世界の要因に対してロバストである。また、GNNベースの説明可能性アルゴリズムを使って、重要なノードを特定し、疎な測定を可能にする。
数値実験では、提案モデルのすべてのタスクにおいて優れたパフォーマンスを示している。特に、故障位置特定と故障タイプ分類の精度が高く、故障抵抗と故障電流の推定も良好な結果が得られている。
統計
故障検出の正解率は100%である。
故障位置特定の正解率(LAR0)は98.2%、1ホップ以内の正解率(LAR1)は99.9%、2ホップ以内の正解率(LAR2)は99.9%である。
故障タイプ分類の正解率は99.1%である。
故障抵抗推定の平均絶対パーセント誤差(MAPE)は9.4%である。
故障電流推定の平均絶対パーセント誤差(MAPE)は0.8%である。
引用
"提案されたモデルは、配電システムにおける故障検出、故障位置特定、故障タイプ分類、故障抵抗推定、故障電流推定の5つのタスクを同時に実行することができる。"
"GNNを使うことで、配電システムのトポロジー表現と特徴学習を行うことができる。"
"提案モデルは、測定誤差、可変抵抗、トポロジー変化などの実世界の要因に対してロバストである。"