✨ 要点🔬 技术摘要
现代电网已不再是过去的单向通道。它已经演变成一个庞大而复杂的网络，电力在其中以复杂的模式流动，这些电力是由散布在各处的数千台风力涡轮机和太阳能电池板产生的，而非仅仅依靠少数几座大型发电厂。这种转变带来了一种全新的复杂性：系统必须对变化的天气和不断变化的的需求做出即时反应，同时还要维持一种微妙的平衡，以防止停电。为了管理这一系统，工程师们依赖于数学模型来模拟电力如何在网络中移动。然而，随着电网变得更加去中心化和动态化，这些传统的模型往往变得过于缓慢或过于僵化，无法处理实时决策。这正是被称为“图机器学习”（graph machine learning）的一门人工智能分支介入的地方。在这一领域，计算机被教导不再将系统视为数字列表，而是将其视为连接点的网络，就像道路与交叉口的地图一样。通过将电网视为一张“活的地图”，这些工具可以学习电力在整个系统中运行的隐藏规则，从而提供一种更快速、更具适应性的方式来维持供电。
来自德国及其他地区的科研团队最近进行了一项大规模综述，以考察这种方法在现实世界中的应用效果如何。他们审查了 2018 年至 2025 年底发表的近 800 篇科学论文，寻找将这些基于网络的 AI 工具应用于电力系统的实例。他们的目标是绘制该领域的现状图谱，识别出这些方法在哪些方面表现出色，以及在哪些方面仍面临困难。研究人员发现，这项技术已经在几个关键领域证明了其价值。例如，这些工具正被用于预测风电场和太阳能电池板的发电量，这对于平衡供需至关重要。通过识别天气如何同时影响不同位置的模式，AI 可以比旧方法更准确地预测能源生成。同样的技术也在帮助工程师估算电网的当前状态，例如各个点的电压水平，即使在传感器缺失或提供错误数据的情况下也是如此。在安全领域，这些工具正在接受测试，以比传统系统更快地发现设备故障或网络攻击，并帮助操作员决定在线路故障时重新路由电力的最佳方式。
尽管这些应用前景广阔，但该综述揭示了一个正在减缓进展速度的重大瓶颈：严重缺乏共享的高质量数据。虽然研究人员开发了巧妙的方法来模拟电网行为，但大多数此类模拟都是私有的，或者过于特定，以至于无法为他人所用。作者指出，如果没有标准化的数据集和开放的基准测试，就很难验证一种新方法是否真的优于另一种方法。许多研究依赖于小型的人造测试案例，这些案例无法反映国家电网那混乱的现实情况——国家电网可能包含数百万个连接点以及不同程度的复杂性。研究人员认为，该领域目前正陷入孤立实验的循环之中。为了向前迈进，整个领域需要停止将数据视为秘密，并开始分享开放、真实的数据库，其中应包含从电线的物理布局到消费者和天气的不可预测行为的一切信息。
论文还强调，虽然这些 AI 工具功能强大，但它们尚未成为能够取代所有现有工程方法的“万灵药”。研究人员警告说，对于最关键的任务，例如确保电网在突发风暴期间保持稳定，AI 模型必须具备物理一致性。这意味着计算机的预测必须遵守基本的物理定律，而不仅仅是统计模式。如果 AI 提出了一个在理论上可行但违反了电学定律的解决方案，可能会导致危险的故障。综述建议，最成功的路径是采用一种混合方法，即让 AI 作为传统基于物理模型的快速、智能的助手，而不是完全取代它们。这种结合可以使工程师在几秒钟内做出目前需要数小时才能做出的决策，从而实现一个对气候变化挑战更具韧性的电网。
最终，研究人员得出结论：潜力是存在的，但基础仍在构建之中。论文数量的快速增长表明科学家们渴望应用这些工具，但缺乏透明度和共享资源阻碍了该领域的发展。作者呼吁开启一个协作的新时代，让电力系统工程师和计算机科学家共同努力，创建开放标准。只有通过向所有人开放数据和模型，该领域才能从极具前景的实验室实验，转变为维持世界能源系统安全高效运行所需的可靠日常工具。电网的未来不仅取决于更好的算法，还取决于科学界是否愿意建立一个所有人都可以信任并使用的共享知识库。
技术摘要：图机器学习：电力系统的机遇
问题陈述
现代电力系统正经历着由可再生能源集成、去中心化以及从同步机向基于逆变器资源转变所驱动的快速转型。这些变化引入了日益增长的运行复杂性、降低的系统惯量，以及对跨越不同时间尺度的实时决策的紧迫需求。传统的基于模型的方法虽然准确，但在实时场景中往往难以处理计算可行性问题，并且在观测性有限（尤其是在配电网层面）的情况下面临挑战。虽然通用机器学习（ML）提供了数据驱动的替代方案，但许多传统方法无法捕捉电力系统数据的内在关联性、结构性和空间特性。具体而言，基于固定大小特征向量的标准机器学习方法忽略了对电力系统物理特性和运行至关重要的电网拓扑结构。
方法论
本文对近 800 篇处于图机器学习（GML）与电力系统交叉领域的出版物进行了系统的综述和调查。其方法论包括：
文献调研： 通过 Scopus 和预印本服务器进行了全面的搜索（截至 2025 年 12 月），并经过人工审核和分类，归入核心电力系统任务。理论框架： 本文建立了 GML 的基础，区分了消息传递神经网络（MPNNs）与其他架构（谱图神经网络 Spectral GNNs、图 Transformer）。它将这些概念应用于电力系统，解决了以下特定挑战：
异质性（Heterophily）： 与许多社交网络不同，电力网通常表现出异质属性，即连接的节点（例如发电机和负荷）具有截然不同的特征。边特征（Edge Features）： 将阻抗和导纳等物理属性直接纳入消息传递过程，而非仅将边视为单纯的连通性。图构建： 区分了编码物理拓扑的图（母线为节点，线路为边）与用于统计相关性构建的图（例如在预测任务中）。
应用分类： 本综述将 GML 应用分为五个主要领域：
电网分析与状态估计： 通过将物理约束（如基尔霍夫定律）嵌入架构中，解决状态估计和潮流分析等逆问题。预测： 通过基于地理邻近性或气象相似性构建图，来预测可再生能源发电量和负荷。优化与控制： 将 GML 作为最优潮流（OPF）求解器的代理，或在强化学习（RL）框架内用于电压控制和机组组合。故障诊断、稳定性与可靠性： 通过拓扑感知的分类和回归技术，进行故障检测、瞬态稳定性评估和风险评估。网络安全： 利用电网拓扑中的空间相关性来检测虚假数据注入攻击（FDIA）。
基准评估： 作者批判性地评估了当前的数据库和基准现状，指出公开、标准化且可复现的资源严重匮乏。
核心贡献
系统性综述： 本文提供了迄今为止关于电力系统中 GML 最广泛的综述，涵盖了近 800 篇论文并将其映射到特定的运行任务。归纳偏置论点： 文章认为 GML 特别适用于电力系统，因为它自然地将电网拓扑作为一种归纳偏置，从而使模型能够在不同规模和结构的电网之间进行泛化。需求目录： 作者推导出了一个针对“机器学习就绪型”电力网基准的结构化需求目录。这包括对显式图表示、标准化评估协议、任务/指标规范以及复现性基础设施的要求。识别差距： 综述强调了关键差距，包括实际部署的缺乏、标记故障数据的稀缺、动态安全评估基准的缺失，以及对可解释模型在安全关键环境下需求的研究。社区行动倡议： 本文明确呼吁机器学习与电力系统社区进行更紧密的合作，优先发布开源数据集、代码和训练好的模型，以提高研究的可复现性。
结果与发现
出版增长： 电力系统中的 GML 出版物数量增长迅速，在 2025 年达到 356 篇，共调查了 792 篇论文。应用趋势： 虽然对“数据管理”的兴趣有所下降，但预测和故障诊断仍占据主导地位。结合使用强化学习与图神经网络（GNN）的研究约占近期论文的 5%，主要用于控制任务。性能与可行性： GML 模型在受控设置下表现出强大的性能，并可以作为传统求解器的快速代理。然而，确保严格的物理可行性（例如 N-1 安全准则）并提供形式化保证仍然是重大挑战。数据稀缺： 综述证实，由于隐私和安全限制，高保真的真实运行数据在很大程度上是无法获取的。大多数研究依赖于合成数据（如 IEEE 测试案例、ACTIVSg）或小规模模拟，这限制了结果向真实大规模电网的泛化能力。基准局限性： 现有基准往往缺乏标准化的划分、超参数报告以及图原生基准模型。在动态安全评估和连锁故障分析方面，明显缺乏相应的数据集。
意义与主张
本文将 GML 定位为电力系统的一次变革性机遇，它提供了一个既能尊重电网物理结构，又能满足现代运营所需的扩展性和速度的框架。作者声称，由于电力系统结合了硬性的物理约束、多尺度动力学和安全关键型要求，它构成了一个极其丰富的 GML 基准环境。
然而，本文对于目前的成熟度保持了审慎的态度。文章指出，尽管 GML 已超越了“概念验证”阶段，但广泛的实际部署目前受到以下因素的限制：
可复现性： 开源数据集和标准化基准的缺乏削弱了科学公信力并减缓了创新。可解释性： 安全关键型基础设施对可解释人工智能（XAI）的需求尚未在当前的 GML 方法中得到充分解决。泛化能力： 模型在从模拟环境迁移到具有未知拓扑和运行条件的真实电网时往往表现困难。
作者总结道，该领域已具备转型态势，但需要持续的协作、专门的基准研究以及开源资源的发布，以弥合学术研究与实际运行部署之间的鸿沟。他们强调了新兴方向，如基础模型（如 GridFM）和混合物理启发式方法，是未来的潜在路径。
每周获取最佳 machine learning 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。