研究了图神经网络（GNN）替代物在电网日常运营中基于蒙特卡罗（MC）取样的风险量化中的实用性。通过使用监督学习训练 GNN 替代物，它们被用于获取感兴趣的数量（运行储备、输电线路流量）的蒙特卡罗（MC）样本，给定（提前几小时的）概率性风力发电和负荷预测。评估了 GNN 替代物的实用性，并通过比较基于 OPF 和基于 GNN 的网格可靠性和风险来证明，GNN 替代物能够准确预测（总线级、支路级和系统级）电网状态，并能够快速而准确地量化电网的运营风险。因此，该文章利用 GNN 发展了多种工具，用于使用 GNN 在现实世界中快速评估电网的可靠性和风险。

Nov, 2023

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

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

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

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

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

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

基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题，并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中，相较于基于神经网络的模型和基于物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。

Apr, 2024

本文提出了一种图神经网络框架来加速油气井寻优的过程，训练经过优化的 6000 个样本后，我们的 GNN 模型可以代替模拟运行，并在油气和碳封存等领域的井下优化中展示出巨大的潜力。

Feb, 2022

该论文致力于开发一种基于机器学习的数据驱动算法，解决随机交流电（AC）机会约束（CC）最优潮流（OPF）问题，并通过应用于多个 IEEE 测试案例来展示其经验效率。

Feb, 2024