PowerGraph：用于图神经网络的电网基准数据集
内容提要
本文综述图神经网络在电力系统中的应用：分析电网动态稳定性、预测非线性目标并识别脆弱节点；检测和定位故障，准确率达99.53%；预测潮流，优于传统方法；加速交直流混合系统潮流分析；作为最优潮流与安全约束机组组合的代理模型，快速量化运行风险；用于配电网络故障定位，对噪声和拓扑变化具有鲁棒性。
延伸解读
GNN在电力系统中的多样化应用
文章展示了图神经网络在电力系统多个环节的应用，包括动态稳定性分析、故障检测与定位、潮流预测、交直流混合系统潮流加速、最优潮流与安全约束机组组合的代理模型，以及配电网络故障定位。这些应用覆盖了从规划到实时运行的多个场景，表明GNN能够处理电力系统的非线性、拓扑依赖和不确定性问题。
故障检测的高准确率与可解释性
文章提到一种基于GNN的故障检测方法在模拟场景中达到了99.53%的准确率，并且能够通过特征建模定性揭示故障在节点间的传播情况。这为故障诊断提供了不仅准确而且可解释的洞察，有助于运维人员理解故障机理。但需注意，该结果基于模拟场景，实际部署时可能受数据质量和噪声影响。
GNN作为代理模型的潜力与局限
文章指出GNN可以作为最优潮流和安全约束机组组合的代理模型，快速量化运行风险，并在蒙特卡罗风险量化中准确预测电网状态。这显示了GNN在实时和提前几小时风险量化中的潜力。然而，代理模型的精度依赖于训练数据的覆盖范围，且文章未讨论极端场景下的泛化能力，实际应用需谨慎验证。
鲁棒性与拓扑变化适应性
在配电网络故障定位中，GNN模型对测量噪声和数据丢失错误表现出鲁棒性，并能适应拓扑变化，在有限测量母线下仍能良好运行。这得益于数据增强过程。但文章也提到，这些结论基于IEEE 123母线基准系统，在其他网络中的有效性需要进一步测试。
Q&A
图神经网络在电力系统动态稳定性分析中有什么作用？
图神经网络可用于分析电力网动态稳定性的计算工作量，仅基于拓扑信息就能有效预测非线性目标，并能准确识别电力网的易受攻击节点。在小型电力网上训练的GNN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。
GNN在电力网故障检测中的准确率如何？
通过图神经网络发展的一种检测电力网故障的新方法，借助特殊的电气特征提取模型和知识图谱，整合节点历史和未来状态辅助故障检测，实验证明可在模拟场景中准确定位故障节点，准确率达到99.53%。
图神经网络预测电力潮流的优势是什么？
使用图神经网络方法对历史电力系统数据训练以预测电量流计算结果，在测试系统上的结果表明，所提出的GNN电量流模型比传统的直流潮流方法、深度神经网络和卷积神经网络模型得到更准确有效的数据处理方案。
GNN如何加速交直流混合系统的潮流分析？
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。
GNN作为最优潮流和机组组合的代理模型效果如何？
研究表明，GNN能够快速准确地预测量化感兴趣的量，可以成为最优潮流（OPF）和安全约束机组组合（SCUC）的良好代理模型。基于可靠性和风险评估的出色准确性表明，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。
GNN在配电网络故障定位中表现如何？
本文提出了一种新颖的图卷积网络框架用于电力配电网络的故障定位，集成了不同母线上的多个测量值并考虑系统拓扑结构。在IEEE 123母线基准系统上验证，故障定位精度远高于其他广泛使用的机器学习方案，且对测量噪声和数据丢失错误具有鲁棒性，能适应拓扑变化，在有限测量母线下也能良好运行。
