本论文研究了使用图神经网络方法对历史电力系统数据进行训练，以预测电量流计算结果。通过在测试系统上的结果表明，使用所提出的图神经网络电量流模型可以比传统的直流（DC）功量流方法和深度神经网络（DNN）模型以及卷积神经网络（CNN）模型得到更准确有效的数据处理方案。

Jul, 2023

本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

Oct, 2022

该研究论文讨论了深度学习在预测三相不平衡配电网中功率流解的应用，并提出了三种深度神经网络模型：径向基函数网络（RBFnet），多层感知器（MLP）和卷积神经网络（CNN），用于预测功率流解。通过 OpenDSS-MATLAB COM 接口生成训练和测试数据，这些方法完全依赖于数据驱动，对于不平衡配电网的功率流解具有准确性，并且可以适用于不同的 R/X 比、拓扑变化以及分布式能源和电动汽车引入的发电和负荷可变性。在 IEEE 4 节点测试案例、IEEE 123 节点测试案例和美国电力公司（AEP）馈线模型上应用了这三个 DNN 模型，结果显示所有三个模型都能提供高度准确的功率流解预测结果。

Jan, 2024

本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

Nov, 2017

研究机器学习方法来优化传输网络中的电力发电，给出了 ACOPF 的两种公式以及分别采用的解决方法：直接预测最佳发电机设置和预测最佳解决方案中的现行限制集合，两种方法在两个基准网格上进行了验证。

Oct, 2019

PowerFlowNet 是一种使用图神经网络的电流流估计方法，在简单的 IEEE 14 总线系统中比传统的 Newton-Raphson 方法更快 4 倍，在法国高压网络中快 145 倍，且在性能和执行时间方面明显优于其他传统估计方法，其在实际电流流分析中表现出巨大潜力，通过深入的实验评估验证了该方法的功效、可扩展性、可解释性和架构可靠性，为电力系统分析中图神经网络的行为和潜在应用提供了深刻见解。

Nov, 2023

通过设计和比较不同的监督学习算法来计算 ACOPF 的成本，我们提出了一种快速计算 OPF 成本的方法，能够在多重时间协调框架中预测短期决策结果，从而避免了实际模拟和优化的需要，并且在保证均值误差小于 1% 的情况下，运行时间比精确计算低几个数量级。

Dec, 2016

该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

May, 2024

为了解决多元问题下统计功效估计与灵敏度分析的计算瓶颈，文中探讨了一种基于机器学习模型的简单通用解决方案，可将计算成本降至原方法的 10% 以内，并在提供良好 F1 得分的同时，进一步阐述了在跨分布学习能力的学习能力对于提高统计功效估计精度的重要性。

Dec, 2021

通过生成一个足够大的训练数据集，我们提出了一种新颖且高效的方案，该数据集覆盖了相关的供应和需求值。我们的方法通过生成来自于发电机和消费者质量流的代理分布的训练样本，避免了解热网方程所需的迭代过程，并可以对准确性稍有不同的训练样本进行加权以代表原始训练分布。通过对典型网格结构的模拟，我们展示了这种新方法相比直接抽样供需值可以将训练集生成时间减少两个数量级，同时不会对训练样本的相关性产生损失。此外，使用训练数据集学习热功率流明显优于无样本、具有物理意识的训练方法。

Mar, 2024