通过图神经网络技术加快网络条件的初步分类和感知的方法，提高了黑暗规模估计性能，为筛选可能导致灾难性级联故障的情况提供了一种新的工具。

Mar, 2024

通过基于图神经网络的无流模型，我们能够预测由分支故障引起的电力故障级联，评估模型并与其他影响模型进行比较，结果表明该模型优于其他模型，并且降低计算时间近两个数量级。

Apr, 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

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

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

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

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

我们研究了图神经网络在电力网络运行决策算法（最优潮流（OPF）和安全约束单位分配（SCUC））中作为代理的实用性，以实现对运行风险的严格量化。我们的结果表明，GNN 能够快速准确地预测量化感兴趣的量，并且因此可以成为 OPF 和 SCUC 的良好代理模型。GNN 基于可靠性和风险评估的出色准确性进一步表明，GNN 代理具有在实时和提前几小时的风险量化中应用的潜力。

Nov, 2023

应用图神经网络（GNN）到供应链网络的研究领域是相对缺失的，而本研究提出了一个用于时间任务的真实基准数据集，可以通过图神经网络来解决供应链规划等问题，从而推动供应链分析和规划领域的发展。

Jan, 2024