基于辅助任务学习的图神经网络用于PMU数据重建

本文解决了电力系统中广域测量系统（WAMS）中数据缺失的关键问题。所提出的方法利用具有辅助任务学习（ATL）的图神经网络（GNN），旨在改进缺失的PMU数据的重建，克服现有方法的局限性，例如对概念漂移的适应性差、在高缺失率下的鲁棒性差以及对完全系统可观测性的依赖。使用K-hop GNN和辅助GNN来利用PMU数据的低秩特性是关键的创新。本文对鲁棒性和自适应性的关注对于实际应用尤为重要。

• •提出了一种基于GNN的方法，用于重建WAMS中缺失的PMU数据。
• •采用辅助任务学习来提高准确性和鲁棒性。
• •解决了现有方法的局限性，例如概念漂移和不完全可观测性。
• •在高缺失率下表现出优越的性能。