Key points are not available for this paper at this time.
Das Kommunikationsnetzwerk der Energieversorgung (PCN) ist das Rückgrat des Energiesystems. Fehlerhafte Knoten im Netzwerk können Kommunikationsunterbrechungen verursachen, was den zuverlässigen Betrieb des Energiesystems erheblich beeinträchtigen kann. Daher ist die genaue Diagnose fehlerhafter Knoten entscheidend für die zeitnahe Erkennung, Lokalisierung und Fehlersuche. Auf der Grundlage von Graph-Neuronalen-Netzwerken schlagen wir eine Nachbarwahl- und Zusammenführungsfehlerdiagnosestrategie (NSMFD) vor, die darauf abzielt, fehlerhafte Knoten zu identifizieren, indem sie Informationen über die Graphstruktur und die Knoteneigenschaften erfasst. Zuerst konstruieren wir eine grafische Darstellung des PCN, wobei die Knoten Geräte im Netzwerk darstellen und die Kanten die Verbindungen zwischen den Geräten. Dann verwenden wir Sampling und Aggregation in der Knoteneinbettung, um angrenzende Merkmalsinformationen der Knoten zu erfassen, und fügen schrittweise die Knotendarstellungen durch graphenconvolutionale Schichten zusammen und aktualisieren sie, die als Eingabeschicht des Diagnoseprozesses verwendet werden können. Schließlich verwenden wir Softmax und die Kreuzentropie-Verlustfunktion, um eine probabilistische Darstellung zu erhalten und diese durch Rückpropagation zur Vorhersage zu optimieren. Wir führen Experimente mit realen PCN-Datensätzen durch und vergleichen sie mit anderen fortgeschrittenen Diagnosetechniken hinsichtlich Genauigkeit, falsch-positiver Rate und falsch-negativer Rate. Im Vergleich zu Diagnosetechniken kann unsere Methode fehlerhafte Knoten genau identifizieren und eine zeitnahe Fehlererkennung und -behebung erreichen.
Wan et al. (Mon,) untersuchten diese Frage.