部分的に観測可能な電力分布網における不具合定位における時空間グラフニューラルネットワークの頑健性

arXiv:2604.20403v1 Announce Type: new 摘要：電力分布網における不具合定位は、信頼性と停電時間の最小化において不可欠である。しかし、観測インフラの稀疏性による部分的な観測可能性のため、依然として困難な課題である。最近の研究では、時空間学習のために再帰ニューラルネットワーク (RNN) とグラフニューラルネットワーク (GNN) を組み合わせることによって有望な結果を示している。なお、多くの現代的な GNN アーキテクチャーはこの配電網アプリケーションに対して未テストであり、既存の GNN ソリューションは GNN トポロジーの定義を単に全配電網トポロジーを適用して GNN グラフを構築することに過ぎていない。当方はこれらのギャップを以下のように解決する: (i) 新たに提案されたグラフ形成戦略（観測のみ）を従来の全トポロジーアプローチと系統的に比較し、(ii) 配電網不具合定位のためにグラフ SAGE (GraphSAGE) と向上させたグラフ注意 (GATv2) に基づく STGNN (Spatio-temporal GNN) モデルを導入し、(iii) IEEE 123-bus Feeder で最上位の STGNN と RNN ベースラインに対してベンチマークを行う。我々の実験では、すべての評価された STGNN バリアントが高い性能を示し、純粋な RNN ベースラインと一貫して優れ、F1 スコアにおいて最大 11 ポイントの改善が見られた。STGNN モデル間では、新たに検討された RGATv2 と RGSAGE は僅かなだけ F1 スコアが高いに過ぎない。しかし、STGNN は異なる実験実行において RNN ベースライン (最大 +/- 7.5%) に対して +/- 1.4% の狭い信頼区間を持つことで優越した安定性を示した。最後に、我々が提案した減少 GNN トポロジー（観測のみ）は、(i) モデル訓練時間（6 倍の削減）および (ii) モデル性能（最大 11 ポイント F1）において明確な利益を示した。これは、観測のみに基づくグラフが部分的に観測可能な電力分布網に対して、より実用的で効率的かつ頑健なフレームワークを提供すると示唆している。

arXiv:2604.20403v1 Announce Type: new Abstract: Fault location in distribution grids is critical for reliability and minimizing outage durations. Yet, it remains challenging due to partial observability, given sparse measurement infrastructure. Recent works show promising results by combining Recurrent Neural Networks (RNNs) and Graph Neural Networks (GNNs) for spatio-temporal learning. Still, many modern GNN architectures remain untested for this grid application, while existing GNN solutions have not explored GNN topology definitions beyond simply adopting the full grid topology to construct the GNN graph. We address these gaps by (i) systematically comparing a newly proposed graph-forming strategy (measured-only) to the traditional full-topology approach, and (ii) introducing STGNN (Spatio-temporal GNN) models based on GraphSAGE and an improved Graph Attention (GATv2), for distribution grid fault location; (iii) benchmarking them against state-of-the-art STGNN and RNN baselines on the IEEE 123-bus feeder. In our experiments, all evaluated STGNN variants achieve high performance and consistently outperform a pure RNN baseline, with improvements up to 11 percentage points F1. Among STGNN models, the newly explored RGATv2 and RGSAGE achieve only marginally higher F1 scores. Still, STGNNs demonstrate superior stability, with tight confidence intervals (within +/- 1.4%) compared to the RNN baseline (up to +/- 7.5%) across different experiment runs. Finally, our proposed reduced GNN topology (measured-only) shows clear benefits in both (i) model training time (6-fold reduction) and (ii) model performance (up to 11 points F1). This suggests that measured-only graphs offer a more practical, efficient, and robust framework for partially observable distribution grids.