GNN-PowerFlow：图神经网络在电力系统潮流计算中的创新应用

本项目是埃因霍温理工大学硕士论文，探索图神经网络（GNN）在交流电力系统潮流计算中的应用。核心是结合电网拓扑结构提升预测精度，并与传统多层感知机（MLP）对比分析。项目代码开源于GitHub（链接：https://github.com/mukhlishga/gnn-powerflow），使用PyTorch Geometric框架实现。

电力系统潮流计算是核心任务，传统方法依赖数值迭代，成本随电网规模增长。可再生能源接入增加复杂度，需快速准确方法。传统神经网络（如MLP）忽略数据结构关系，而电网天然是图结构（母线为节点、线路为边），适合GNN应用。核心问题：在相同模型复杂度下，将电网拓扑结构纳入机器学习模型是否能提高潮流计算的预测精度？

电网中，节点为母线（特征包括电压幅值、相角、有功/无功功率），边为输电线路（特征如电流、电阻、电抗）。母线分三类：Slack母线（已知V/δ，未知P/Q）、PV母线（已知P/V，未知Q/δ）、PQ母线（已知P/Q，未知V/δ）。传统方法用方程求解未知，GNN则通过已知变量预测未知。

GNN核心是消息传递：节点聚合邻居信息。邻接矩阵A编码连接性，实现消息传递（如求和）。GCN用平均聚合（通过度矩阵预处理）。多层GNN可实现全局信息传播，例如9节点图通过两层转换提取特征。

实验用PyTorch Geometric框架，比较多种GNN架构与同复杂度MLP。结果显示：GNN利用拓扑结构提升精度，MLP因缺乏结构感知表现较差，验证了核心假设。

学术贡献：为GNN在电力系统潮流计算的应用提供实证，系统比较GNN与传统神经网络。实际价值：支持实时潮流预测、大规模电网分析、可再生能源集成、电网优化规划。

项目代码基于PyTorch Geometric，包含实验笔记本和数据处理流程。开源性质促进知识共享与复现，助力电力系统机器学习领域发展。