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

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

PowerFlowMultiNet 是一种为不平衡三相电力网络明确设计的新型多图神经网络框架，它以多图表示方式模拟每个相位，有效捕捉了不平衡电网中的固有不对称性，并引入了一种利用消息传递进行图嵌入的机制来捕捉电力系统网络内的空间依赖关系。与传统方法和其他深度学习方法相比，PowerFlowMultiNet 在精确度和计算速度方面表现出色，在大型电力网络方面的误差率显著降低，并且计算速度提高了数百倍。

Mar, 2024

通过开发物理信息的异构图神经网络来解决基于图的直流阻挡器部署问题，该方法结合了异构图神经网络和物理信息神经网络，以捕捉交流 / 直流网络中不同类型的节点和边，并融合电力网络的物理定律。经过案例研究验证，结果表明该方法能够有效而高效地支持 GIC 直流阻挡器的部署，确保持续供电以满足社会需求，对于抵御不断增长的 GMD 威胁的可靠且弹性电力网络的发展具有潜力。

May, 2024

本论文介绍了一种将物理学 - 基于模型的知识与神经网络相结合的框架，被称为物理引导的神经网络（PGNN），在混合建模设置中利用物理模型模拟的输出和观察特征，借助神经网络体系结构生成预测。此框架使用物理基础的损失函数在神经网络的学习目标中，以确保模型预测不仅在训练集上显示较低的误差，而且在未标记的集合上与已知的物理学保持科学一致性。通过以科学知识指导神经网络的构建和学习，我们能够证明所提出的框架确保了更好的泛化能力和结果的科学一致性。

Oct, 2017

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

为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

Jun, 2022

GraPhyR 是一种针对动态重构任务的物理信息图神经网络（GNNs）框架，通过在 GNN 框架中直接融入关键的运营和连接约束，实现了端到端的训练，并能够学习优化动态重构任务。

Oct, 2023

通过图神经网络（GNN）发展了一种检测电力网故障的新方法，旨在增强网络运维中的智能故障诊断能力，该方法借助特殊的电气特征提取模型和知识图谱，通过整合节点的历史和未来状态来辅助当前故障检测，并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性，实验证明该方法可在模拟场景中准确定位故障节点，准确率达到 99.53%，此外，图神经网络的特征建模还可定性揭示故障在节点之间的传播情况，提供有价值的故障节点分析洞察。

Nov, 2023

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