PowerFlowNet：利用消息传递 GNNs 提高功率流近似

Nov, 2023

PowerFlowNet：利用消息传递 GNNs 提高功率流近似

PowerFlowNet: Leveraging Message Passing GNNs for Improved Power Flow Approximation

Nan Lin, Stavros Orfanoudakis, Nathan Ordonez Cardenas, Juan S. Giraldo, Pedro P. Vergara

TL;DRPowerFlowNet 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。

Abstract

Accurate and efficient power flow (PF) analysis is crucial in modern electrical networks' efficient operation and planning. Therefore, there is a need for scalable algorithms capable of handling large-scale power networks that can provide accurate and fast solutions. graph neural networks

power flow analysis graph neural networks powerflownet approximation methods experimental evaluation

发现论文，激发创造

基于图神经网络的潮流模型

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

PowerFlowMultiNet：用于非平衡三相配电系统的多图神经网络

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

三相不平衡智能配电网中的基于深度神经网络的功率流分析

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

物理引导的图神经网络用于实时的交直流功率流分析

本文提出了一种基于物理引导的图神经网络来对交流 / 直流混合系统进行更快速的电力流分析，并取得了比传统基于模型的基准更高的计算效率。

Apr, 2023

使用图神经网络进行最优潮流计算

本文提出使用图神经网络在模仿学习框架下，近似求解最优潮流问题 (OPF)，并在 IEEE-30 和 IEEE-118 测试实例上进行了数值实验。

Oct, 2019

演化网络拓扑下的电网运行风险评估的图神经网络

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

基于 GNN 的电力网动态特性评估及知识图谱应用

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

基于增强分层图神经网络的减少 N-1 优化功率流

使用增强分层图神经网络 (AHGNN) 作为机器学习模型来预测关键的拥挤电线并创建 N-1 简化最优功率流，从而显著减少计算时间并保持解决方案质量，论证了 AHGNN 和相关 N-1 简化最优功率流在减少计算时间、保留解决方案质量方面的高效性，并突出了机器学习，尤其是图神经网络在增强电力系统运行中的潜力。

Feb, 2024

大规模最优功率流的高保真机器学习逼近

本文介绍了一种名为 OPF-DNN 的模型，它将深度神经网络和 Lagrangian 对偶相结合，以在满足物理和运行约束条件的同时确保发电机设定点的最小成本，从而在大型电力系统中提供高效准确的交流最优功率流（AC-OPF）近似解决方案。

Jun, 2020

电力系统状态估计中图神经网络的可扩展性和样本效率分析

本论文针对基于图神经网络应用于因子图的相量测量装置的状态估计器进行了全面评估，通过多种训练集大小的实验及不同规模的电力系统进行实验，结果表明该算法在提高系统行为分析效率方面具有高精度、高效率、低内存占用和低推断时间的特点。

Feb, 2023