融合注意力增强CNN与Transformer的电网关键节点识别

摘要

为了精确识别电网关键节点以保障电力系统的可靠运行，提出一种基于融合拓扑特征与电气特征的双重自注意力卷积神经网络(convolutional neural network,CNN)的电网关键节点识别方法。首先，构建包含节点的局部拓扑特征、半局部拓扑特征、电气距离及节点电压的多维特征集;然后，利用压缩-激励(squeeze-and-excitation,SE)自注意力机制改进CNN以增强对节点特征的提取能力，并引入多头自注意力的Transformer编码器以实现拓扑特征与电气特征的深度融合。结果表明:在IEEE 30节点和IEEE 118节点的标准测试系统上，该方法识别关键节点的准确性更高，并且在节点影响力评估和网络鲁棒性方面，得到的电网关键节点对网络的影响更大，鲁棒性更好，为电网的安全稳定运行提供了有效的决策支持。

关键词

复杂网络 / 电网 / 关键节点识别 / 卷积神经网络(convolutional neural network,CNN) / 注意力 / 特征融合