本文研究了图神经网络（GNN）在电力网络运行决策中的应用，特别是在最优潮流（OPF）和安全约束单位分配（SCUC）中。研究表明，GNN能够快速准确地预测电网风险，并在动态稳定性分析和故障检测中表现出色，提升电网的可靠性和风险评估能力。

该文汇总多项机器学习在通信与计算中的研究：利用深度神经网络与数字预畸变补偿5G功放的非线性与记忆效应，并线性化毫米波阵列；用图神经网络学习信道与预编码映射以提升总速率；提出DeepOPF-U统一求解不同拓扑的交流最优潮流；采用基于模型的学习抵消偏振模色散；以无监督框架DIPNet和DEPNet解决多用户功率控制；并设计机器学习加速器预测后端PPA与系统指标。