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

本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于0.996的平均预测精度。

Oct, 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

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

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

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

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

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

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

利用深度学习方法以解决传统方法在电网应用中的灵活性不足所带来的可再生能源和分布式电力生成带来的挑战的文章中，重点分析了图神经网络在电力网中捕捉图结构以提高表示学习和决策制定能力的能力，同时探讨了强化学习与图神经网络之间的协同作用，尤其将GRL用于自动化电网管理、拓扑控制和电压调节等应用。然而，尽管GRL在面对不可预测事件、噪声或不完整数据时显示出适应性，但目前它主要是一个概念验证。在实际电力系统运行中，仍然需要解决许多开放性挑战和限制问题。

Jul, 2024