ty -jour a2 -wang，zh​​ijie au -wang，Zhiwei au -weng，liguo au -lu -lu，min au -au -liu -liu，jun au -pan，lingling py -lingling py -2021 da -2021/08/31 Ti-电力系统分支参数标识SP -1834428 VL -2021 AB-保持精度和鲁棒性一直是电网分支参数识别任务中未解决的问题。因此，许多研究人员参与了分支参数识别的研究。现有的电网分支参数标识的方法受到两个限制。（1）传统方法仅使用手动经验或工具来完成单个分支特征的参数识别，但它们仅用于识别单个目标，并且无法充分利用电网数据的历史信息。（2）深度学习方法可以通过历史数据完成模型训练，但是这些方法不能考虑功率网格拓扑结构的约束，这等同于分别识别连接的电网分支。为了克服这些局限性，我们提出了一个新颖的多任务图形变压器网络（GTN），该网络结合了图神经网络和一种构建我们模型的多态机制。具体而言，我们将分支节点的全局特征和拓扑信息输入到我们的GTN模型中。在参数识别过程中，多头注意机制用于融合不同子空间的分支特征信息，该信息突出了不同分支的重要性并增强了局部特征提取的能力。最后，通过解码层完成了每个分支特征的拟合和预测。 The experiment shows that our proposed GTN is superior to other machine learning methods and deep learning methods and can still realize accurate branch parameter identification under various noise conditions. SN - 1076-2787 UR - https://doi.org/10.1155/2021/1834428 DO - 10.1155/2021/1834428 JF - Complexity PB - Hindawi KW - ER -