Yuhong Zhu · Yongzhi Zhou · Wei Wei · Peng Li 等5人 · IEEE Transactions on Power Systems · 2025年2月

在人工智能驱动的电力系统分析（PSA）中，系统拓扑的高效且信息丰富的表示至关重要。尽管取得了重大突破，但近期采用图神经网络（GNNs）的方法在大规模电力系统分析中面临重大挑战，包括获取足够标注数据的高计算需求，以及对未见故障拓扑的泛化能力较差。为解决这些问题，我们提出了一种用于预训练图神经网络的自监督策略，该策略可在单个节点特征层面和整个图结构层面提升图神经网络的表达能力。通过集成物理信息技术，我们的策略使图神经网络能够内化适用于多个下游任务的基本原理。我们证明，我们的方法能够在无监督的情况下对...

解读: 该研究提出的物理信息自监督GNN框架对阳光电源的智能化产品升级具有重要价值。首先可应用于ST系列储能系统和SG系列光伏逆变器的电网拓扑感知与控制优化,提升GFM/GFL控制的适应性;其次可集成到iSolarCloud平台,增强分布式电站群的智能调度与故障诊断能力。该方法通过物理规律预训练提升模型泛化...