Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids

1. Problema e Contexto

A localização de falhas em redes de distribuição de energia é crítica para garantir a confiabilidade do sistema e minimizar o tempo de interrupção. No entanto, esse desafio é agravado pela parcial observabilidade das redes modernas, onde a infraestrutura de medição (como unidades de medição fasorial micro-síncronas, ou $\mu$PMUs) é esparsa e limitada a um subconjunto de barras.

As abordagens tradicionais baseadas em modelos sofrem com suposições estáticas e dependem de alta observabilidade. Métodos baseados em dados (como CNNs e RNNs) oferecem flexibilidade, mas frequentemente carecem de consciência topológica, falhando em representar adequadamente as conexões elétricas não uniformes entre as barras. Embora as Redes Neurais de Grafos (GNNs) tenham surgido como solução para capturar essas relações espaciais, a literatura atual apresenta lacunas:

• A maioria assume observabilidade quase completa (sensores em todas as barras trifásicas).
• As topologias dos grafos são geralmente mapeadas 1:1 com a topologia física completa, sem explorar representações alternativas para cenários com dados esparsos.
• Falta uma comparação rigorosa entre arquiteturas modernas de GNN (como GraphSAGE e GATv2) aplicadas a redes de distribuição.

2. Metodologia

Os autores propõem um pipeline de Redes Neurais de Grafos Espaço-Temporais (STGNN) combinando a extração de características temporais e espaciais.

A. Extração Temporal (RNN)

Para capturar a dinâmica temporal das falhas (ondas de tensão RMS), utiliza-se uma camada de GRU (Gated Recurrent Unit). Cada nó medido processa uma janela de tempo de dados de tensão, gerando embeddings temporais que são posteriormente passados para a camada de GNN.

B. Extração Espacial (GNN)

O estudo compara três variantes de arquiteturas de GNN aplicadas aos embeddings temporais:

1. RGCN (Graph Convolutional Networks): Usa normalização baseada no grau dos nós.
2. RGSAGE (GraphSAGE): Utiliza funções de agregação aprendidas (média ou máximo) sobre os vizinhos, permitindo maior flexibilidade estrutural e escalabilidade.
3. RGATv2 (Graph Attention Network v2): Uma versão aprimorada que utiliza mecanismos de atenção assimétrica (pesos separados para o nó de origem e destino) e aplica não-linearidade antes do cálculo dos coeficientes de atenção, permitindo capturar dependências complexas.

C. Estratégia de Construção do Grafo: "Medido-Apenas" (Measured-Only)

Uma contribuição central é a proposta de um algoritmo para construir o grafo do GNN utilizando apenas as barras com medições ($\mu$PMUs) como nós, em vez de incluir todas as barras físicas (topologia completa).

• Topologia Completa: Inclui todas as barras (medidas e não medidas). As não medidas têm características zeradas, o que pode propagar ruído e diluir informações durante a agregação de mensagens.
• Topologia Medido-Apenas: Mapeia a conectividade elétrica física entre as barras medidas, ignorando as não medidas. Isso reduz o tamanho do grafo e evita a entrada de dados nulos.

D. Configuração Experimental

• Dataset: Simulações no alimentador IEEE 123-bus usando OpenDSS.
• Cenários: Dois cenários de topologia:
  1. Configuração Padrão: Fluxo de potência normal.
  2. Configuração "Verde" (Green): Reconfiguração de chaves (abertura/fechamento) que redireciona o fluxo para ramificações laterais, resultando em sinais de falha mais sutis e variações de tensão menores (cenário mais desafiador).
• Dados: 2,5 milhões de janelas de tempo com 11 tipos de falhas, resistências variadas e cargas flutuantes.

3. Principais Contribuições

1. Comparação Sistemática de Arquiteturas: Avaliação rigorosa de RGSAGE e RGATv2 (antes não explorados para localização de falhas em redes de distribuição) contra RGCN e uma baseline puramente RNN (GRU).
2. Novo Algoritmo de Construção de Grafo: Introdução e validação da estratégia "medido-apenas", que reflete a observabilidade parcial real e elimina a necessidade de imputar zeros para barras não medidas.
3. Benchmarking em Condições Desafiadoras: Avaliação da robustez dos modelos não apenas em condições ideais, mas em cenários com topologias reconfiguradas e sinais de falha fracos, algo pouco explorado na literatura anterior.

4. Resultados Chave

• Superioridade dos STGNNs: Todos os modelos baseados em STGNN superaram consistentemente a baseline puramente RNN (GRU).
  • Na configuração padrão, os STGNNs alcançaram um F1-score de ~0,95, contra ~0,86 do GRU (melhoria de ~11 pontos percentuais).
  • Na configuração "Verde" (mais difícil), o GRU caiu para ~0,75, enquanto os STGNNs mantiveram desempenho entre 0,86 e 0,88.
• Robustez e Estabilidade: Os modelos STGNN demonstraram intervalos de confiança muito mais estreitos (±1,4%) em comparação ao GRU (até ±7,5%), indicando maior estabilidade entre diferentes execuções e condições de rede.
• Impacto da Topologia do Grafo:
  • Na configuração padrão, ambas as topologias (completa e medida-apenas) performaram bem.
  • Na configuração "Verde", a topologia completa sofreu uma queda drástica de desempenho (F1 ~0,71) devido à diluição de informação pelos nós não medidos (zeros). A abordagem medido-apenas manteve o desempenho alto (F1 ~0,86-0,88).
• Eficiência Computacional: A abordagem "medido-apenas" reduziu o tempo de treinamento em 6 vezes em comparação à topologia completa, devido à redução do número de nós e arestas no grafo.
• Desempenho das Arquiteturas: Embora todas as variantes de GNN tenham performado bem, o RGSAGE-Max mostrou-se ligeiramente superior na configuração "Verde", sugerindo que a agregação por máximo é mais eficaz para capturar sinais de pico sutis do que mecanismos de atenção complexos (RGATv2) ou média, neste contexto específico.

5. Significado e Conclusão

O estudo demonstra que a combinação de RNNs e GNNs (STGNNs) é superior para a localização de falhas em redes de distribuição com observabilidade parcial. A principal descoberta é que ignorar as barras não medidas na construção do grafo (estratégia "medido-apenas") não apenas acelera o treinamento, mas também aumenta significativamente a robustez do modelo, evitando a propagação de ruído de dados nulos.

Isso sugere que, para aplicações práticas em redes reais (onde sensores são escassos), a construção de grafos baseada apenas nos nós instrumentados é uma abordagem mais eficiente, estável e precisa do que tentar modelar a topologia física completa com dados faltantes. O trabalho abre caminho para o uso de modelos mais generalizáveis (como GraphSAGE) que podem se adaptar melhor a reconfigurações dinâmicas da rede.