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

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

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

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

本文提出使用图神经网络（GNNs）解决功率控制问题，并设计了干扰图卷积神经网络（IGCNet）来学习最佳功率控制。IGCNet 在无监督的情况下展现出了较好的性能，并且可以解决传统算法下的功率控制问题。

Jul, 2019

开发了一个用于电力网络级联故障的图形数据集，用于训练图神经网络模型以及解释性分析，旨在应用于各个领域，如化学和生物学。

Feb, 2024

本文研究了在电力系统中采用基于图卷积网络和超结构表示学习框架的人工智能工具，以提高分布式电网规划的计算效率和预测准确性。结果发现，这种超结构图卷积神经网络对比当前方法和其他七种深度学习模型更优。

Nov, 2022

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