层级图神经网络用于拓扑变化下概率潮流计算

Jinbao Wang 等研究者提出拓扑分解驱动的层级双向图神经网络 TDD-HBGNN，用于未见拓扑下的概率潮流计算。该模型将电网分解为基本拓扑单元、动态同质电压簇和核心骨干子网，结合灵敏度线性先验与非线性残差学习。 在 IEEE 118-bus 与 Polish 2746-bus 系统的未见 N-1/N-2 故障场景下，与六种基线方法相比，TDD-HBGNN 的全节点相角误差降低 2.47–4.20 倍，且在每个留出事件上相角误差均更低；共享层级算子使模型在两个电网上均保持 0.658 百万参数，单次概率潮流前向推理延迟为 0.161–1.793 毫秒。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。