提升電網可靠性的新技術：圖神經網路的應用

荷蘭拉德堡大學的研究團隊近期開發出一種全新方法，用於計算電網的可靠性。這項基於圖神經網路（Graph Neural Networks, GNN）的技術，不僅比現有方法快上千倍，精確度也更高。這項研究成果已發表於《應用能源》（Applied Energy）期刊。

隨著電網容量與應變能力的挑戰日益增加，電網的複雜性也不斷提升。電網運營商必須確保即使在某條電纜故障的情況下，電網仍能保持穩定運作。這正是所謂的「n-1原則」：當故障發生時，電力必須能夠透過替代路徑重新分配，而不會造成任何問題。

在這種重新分配過程中，替代路徑的負載會增加。因此，測試這些路徑是否能夠承受額外負載至關重要。這不僅涉及檢查電纜的容量，還需要確認電壓、電流以及網路穩定性是否保持在安全範圍內。過去，為了達到最佳效果，電網運營商依賴於逐一檢查所有可能重新分配路徑的數學計算，這一過程可能耗時數小時。

由研究員夏洛特·坎比爾·範·努滕（Charlotte Cambier van Nooten）及其團隊開發的新技術，利用機器學習來解決這一問題。他們特別為電網設計了一種「圖神經網路」（GNN），這種方法將整個網路視為一個整體，而非單獨檢查每條路徑。此外，該方法在計算中考慮了電纜和節點的特性，系統能夠識別模式，甚至能夠應對從未遇到過的情況。

夏洛特·坎比爾·範·努滕表示：「當故障發生時，你希望快速找到最佳解決方案。我們的新方法可以在幾秒內完成，而且平均比傳統方法精確度高達5%。」

這項技術已在中壓電網上進行測試，這是一個連線不同變電站的複雜電纜網路。電網運營商Alliander已經開始應用這項新技術，進一步提升電網的可靠性與效率。