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

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

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

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

利用图同构网络（GIN）进行中压网的 1-n 评估，结果显示相较于传统的数学优化方法，GIN 方法具有更快、更可靠的评估速度，减少了大约 1000 倍的预测时间，为解决计算挑战、提高能源网络评估的可靠性和效率提供了一种有前景的方法。

Oct, 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

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

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

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023