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

本研究提出了一种异构多任务学习图神经网络（MTL-GNN），用于检测、定位和分类故障，同时提供故障电阻和电流的估计。使用图神经网络（GNN）学习配电系统的拓扑表示和特征学习，以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点，从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。

Sep, 2023

本文探讨了利用人工智能和溶解气体分析的变压器故障诊断的最新技术，并分析了不同方法的优缺点。研究旨在提供对变压器故障诊断和人工智能在保证电力系统可靠运行中的作用的有价值的见解。

Apr, 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

利用动态异构图表示，我们扩展了传统的统计关系学习方法，预测技术专长和能力演进的问题，并实现了一种新颖的动态图转换器神经架构，该模型在人工智能领域的合作、伙伴关系和专家模式的预测中的性能超过了静态图基准模型，为研究人员提供了准确的合作预测。

Jul, 2023

KGroot 使用事件知识和事件之间的关联性，通过整合知识图谱和 GCNs 进行根因推理，以自动识别故障事件和传播路径之间的关系，实现了准确率为 93.5% 的根本原因定位，表现优于工业环境中实时故障诊断和 RCA 的最先进基线。

Feb, 2024

探讨了特征工程对于解决物理系统数据诊断过程中存在的数据质量，噪声干扰，决策模型不精确等挑战的影响作用；论文使用特征筛选、降维和决策模型等方法，在 118 个节点的电力系统上进行了数据驱动的故障诊断，同时比较了多种高级技术在该领域的应用。实验结果表明，特征筛选和降维方法的联合应用可以有效提高数据质量，提高物理系统的诊断准确性。

Mar, 2023

本文提出了一种新颖的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值，并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上，GCN 模型的有效性得到了证实。模拟结果表明，该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外，该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明，该模型能够适应配电网络的拓扑变化，并能在有限数量的测量母线下良好运行。

Dec, 2018

通过分析合成电网模型和进行动力学模拟，我们证明机器学习模型能够准确预测合成电网的故障耐受概率，并展示了机器学习方法在研究电网的概率稳定性方面的潜力。

Jun, 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