Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels
论文在重构的 IEEE 123-bus 馈线上，以 10%、25%、50% 的分布式能源渗透率，对比 STGATv2 与 GRU、GATv2 及传统机器学习基线。STGATv2 在分布内达到 92-94% 的宏 F1，且跨渗透率泛化不对称：50% 训练在低渗透率下保持近分布内 F1，10% 训练则显著下降。
Development
- First ReportAssessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration LevelsarXiv cs.LG
- Current Assessment随着 DER 渗透率提升，配电网故障定位的准确性面临挑战，而 STGNN 提供了一种有前景的解决方案。该研究为电网运营商提供了模型选择依据：在 DER 渗透率可能变化的场景下，应优先采用在较高渗透率数据上训练的模型，以保持跨场景的可靠性。这或推动电网 AI 应用从静态模型向考虑渗透率多样性的自适应模型演进。Agent Pulse · analysis
该论文系统评估了时空图神经网络（STGNN）在分布式能源（DER）渗透率变化下的故障定位泛化能力。作者在重构的 IEEE 123-bus 馈线上，设置多个 DER 注入点和中高阻抗故障，对比 STGATv2 与纯时间（GRU）、纯空间（GATv2）及传统机器学习基线。结果显示 STGATv2 在分布内（10%、25%、50% 渗透率）达到 92-94% 宏 F1，优于其他基线。跨渗透率泛化呈不对称性：在 50% 渗透率训练，模型在较低渗透率下仍保持近分布内 F1；而在 10% 渗透率训练，泛化到更高渗透率时性能显著下降。这表明高渗透率训练数据包含更丰富的故障特征，有助于模型泛化。
STGATv2 通过联合建模空间和时间依赖，在故障定位任务中优于纯时间或纯空间模型，说明故障信号在 DER 渗透下具有时空耦合特性。跨渗透率泛化的不对称性提示，训练数据的渗透率多样性是关键：高渗透率数据可能覆盖更广的故障特征空间，从而提升泛化能力。未来可验证的方向是，在训练集中混合不同渗透率数据是否能进一步提升泛化，以及模型对拓扑变化的鲁棒性。
随着 DER 渗透率提升，配电网故障定位的准确性面临挑战，而 STGNN 提供了一种有前景的解决方案。该研究为电网运营商提供了模型选择依据：在 DER 渗透率可能变化的场景下，应优先采用在较高渗透率数据上训练的模型，以保持跨场景的可靠性。这或推动电网 AI 应用从静态模型向考虑渗透率多样性的自适应模型演进。
对电网运维企业，该研究提供了可落地的故障定位模型选择指南，有助于减少停电时间、提升供电可靠性。对 AI 解决方案提供商，高渗透率训练数据的价值凸显，可成为差异化卖点。
后续研究可探索在更大规模、更复杂拓扑的配电网中验证 STGATv2 的泛化性，并考虑动态渗透率变化下的在线学习。此外，将模型部署到实际电网时，需评估其在不同故障类型和噪声下的鲁棒性。