如何用电网真实拓扑喂给 PyG从状态估计到故障定位的完整实践【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric智能电网的拓扑天然是节点连线变电站是节点输电线路是边量测值挂在上面。用PyTorch GeometricPyG做电力网络建模本质就是把这张拓扑喂给图神经网络让它按电气连接关系交换信息而不是把每条线路孤立成一条记录。下面用一张 10 节点、3 级电压等级的简化电网把状态估计、故障定位、负荷预测三条任务线走一遍代码全部是 PyG 的最小可运行形态。第一步把简化电网建成 PyG 的 Data 对象电力网络图数据的最小构建方式只需要三个字段节点特征x、边索引edge_index、边特征edge_attr。这里构造一张220kV 枢纽站 → 110kV 站 → 10kV 配电站 → 0.4kV 低压台区的 10 节点电网节点特征取电压、有功功率、三相不平衡度三个量边特征取线路电阻、电抗import torch from torch_geometric.data import Data from torch_geometric import transforms as T x torch.tensor([ [220.0, 45.0, 0.03], # 220kV 枢纽站 [110.0, 28.0, 0.05], # 110kV A 站 [110.0, 22.0, 0.07], # 110kV B 站 [10.5, 8.0, 0.12], # 10kV 城东配电站 [10.4, 6.5, 0.15], # 10kV 城南配电站 [10.6, 7.2, 0.10], # 10kV 开发区配电站 [0.4, 1.8, 0.31], # 0.4kV 低压台区 1 [0.4, 1.5, 0.27], # 0.4kV 低压台区 2 [0.4, 2.1, 0.35], # 0.4kV 低压台区 3 [0.4, 1.6, 0.29], # 0.4kV 低压台区 4 ], dtypetorch.float) edge_index torch.tensor([[0, 0, 1, 1, 2, 3, 3, 4, 5, 6], [1, 2, 3, 4, 5, 6, 7, 8, 9]], dtypetorch.long) edge_attr torch.tensor([[0.42, 1.15], [0.51, 1.32], [0.38, 0.96], [0.62, 1.48], [0.71, 1.55], [0.29, 0.68], [0.24, 0.57], [0.33, 0.81], [0.18, 0.42], [0.16, 0.38]], dtypetorch.float) data Data(xx, edge_indexedge_index, edge_attredge_attr) # 先标准化再建图电压 220 与 0.4 差三个数量级不归一会淹没小量纲 transform T.Compose([T.NormalizeFeatures(), T.AddSelfLoops()]) data transform(data)两个容易踩的坑AddSelfLoops不是可选项——GCN 的聚合规则是邻居均值里带上自己没有自环时节点自身信息会被邻居稀释另外如果电网里同时存在线路、变压器、开关等多种边类型单用Data表达不了边类型差异可以升级到 torch_geometric/data/hetero_data.py 的异构图把不同设备关系拆成多个边类型分别聚合。GCN 做电压状态估计关键调用只有三步GCN 可以理解为让每个节点和邻居交换一次信息每一层卷积把邻居特征加权汇总回来几层之后一个节点的表示就覆盖了它的整个电气邻域。对状态估计来说这个邻域恰好对应故障或负荷波动会沿着线路传播的范围。模型本体只有两层卷积实现见 torch_geometric/nn/conv/gcn_conv.pyimport torch.nn.functional as F from torch_geometric.nn import GCNConv class StateEstimator(torch.nn.Module): def __init__(self, hidden32): super().__init__() self.conv1 GCNConv(x.shape[1], hidden) # 3 个量测特征 - 隐藏层 self.conv2 GCNConv(hidden, 1) # - 偏差输出 def forward(self, x, edge_index): x self.conv1(x, edge_index).relu() x F.dropout(x, p0.2, trainingself.training) return self.conv2(x, edge_index).squeeze(-1) model StateEstimator() optimizer torch.optim.Adam(model.parameters(), lr0.01) # 训练循环的关键三步前向 - 只对量测节点算 MSE - 反向 out model(data.x, data.edge_index) loss F.mse_loss(out[mask], y_true[mask]) # mask 标记有量测的节点 loss.backward(); optimizer.step(); optimizer.zero_grad()这里的关键是损失只对有量测的节点求无量测节点的真值由网络从拓扑中插值出来——这正是状态估计里量测不完整、全网状态都要算的数学形态而 PyG 里它只是mask下标的事。评估侧同理model.eval()后同一份data前向一次输出的逐节点偏差就是估计结果。GATConv 的注意力权重直接用来定位故障边故障定位和状态估计的区别在于状态估计问全网量测现在是多少故障定位问哪条线路最可疑。GAT 把信息交换升级成带权交换——每条边先算一个注意力分数再聚合分数越高代表这条边对当前节点越重要。这里借用的直觉是负荷异常传播时电流最集中的线路就是嫌疑最大的线路而 GAT 的注意力恰好是在学这种集中度。from torch_geometric.nn import GATConv loc GATConv(3, 32, heads4) # 4 个头各自看一遍注意力 out, (attn, edge_idx) loc(data.x, data.edge_index, return_attention_weightsTrue) # 每条输入边在 4 个头里被关注度最高的那条边 suspicious edge_idx[torch.argmax(attn, dim0)]return_attention_weightsTrue会让卷积多返回一个注意力张量形状是头数, 边数edge_idx标明每列对应输入中的哪条边——拿到这两个量无需任何额外后处理就能把最可疑的边直接映射回电网里的具体线路。实现细节在 torch_geometric/nn/conv/gat_conv.py。注意一个工程细节多注意力头会改变维度隐藏维乘以头数后接卷积或全连接时输入维要写hidden * heads这是 GAT 模型里最常见的报错来源。负荷预测给采样器挂上时间轴负荷是随时间滚动的电网的量测也是分时到达的。PyG 对这类数据的支持藏在采样器里只要边或节点上带t时间戳属性NeighborLoader就能按时间窗口做采样而不是把整张图一次性搬进显存from torch_geometric.loader import NeighborLoader # 节点特征按时间步堆叠time_attr 告诉采样器时间戳存在哪 loader NeighborLoader( data, # 假设节点/边上已有 t 字段 num_neighbors[4, 2], # 每层采样邻居数 input_nodestorch.arange(data.num_nodes), batch_size64, temporal_strategyuniform, # 在时间窗内均匀采样 time_attrt, ) for batch in loader: # 每个 batch 自带边集和时间戳 out model(batch.x, batch.edge_index)换句话说动态负荷预测不需要你手写时序图结构时间维度是采样器参数temporal_strategyuniform表示在目标时间之前均匀抽点适合负荷这类平稳性较强的序列。实现见 torch_geometric/loader/neighbor_loader.py。大规模电网邻居采样先于模型选型先别急着调参。电网拓扑一变大瓶颈从来不是模型结构而是图本身百万节点电网的完整邻接聚合显存和通信都扛不住。邻居采样的做法是每层只抽少量邻居把全网聚合降级成小邻域聚合 逐层回溯GNN 每层看到的只是半径一层展开的子图。图中把节点按机器分区后本地邻居直接取、远端邻居异步拉取——采样器对模型完全透明NeighborLoader每个 batch 递过来的就是带edge_index的小子图模型代码一行不用改。单卡场景把num_neighbors从[20, 20]起步调就够了多机训练可以参考 examples/multi_gpu/ 下的分布式采样示例。一个容易误入歧途的点torch_geometric.distributed包自 2.7 起已标记弃用新代码不要再从那里取分布式采样器直接看官方多卡示例即可。延伸方向异构图建模把线路/变压器/开关拆成不同边类型用HeteroData分别聚合比单图更贴近一次接线图多任务联训状态估计与故障定位共享底层卷积、只分头输出样本效率通常高于两个独立模型相关文档docs/source/模块总览与教程入口示例代码集中在 examples/。【免费下载链接】pytorch_geometricGraph Neural Network Library for PyTorch项目地址: https://gitcode.com/GitHub_Trending/py/pytorch_geometric创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考