کاربرد شبکه‌های عصبی گراف در شبکه‌های هوشمند برق: یک مرور جامع بر تشخیص و پیش‌بینی خطا

در سال‌های اخیر، کاربرد شبکه‌های عصبی گراف (gnn) در تحلیل، تشخیص و پیش‌بینی خطاهای شبکه‌های هوشمند برق رشد چشمگیری یافته است. این مقاله مروری با هدف بررسی نظام‌مند پژوهش‌های اخیر و شناسایی مسیرهای نوآورانه در این حوزه تدوین شده است. در این راستا، مطالعات شاخص در زمینه‌ی مدل‌های مبتنی بر ویژگی‌های گره و یال، مدل‌های زمانی و توالی آبشاری، چارچوب‌های فیزیک‌محور و مجموعه‌داده‌های استاندارد مرور و تحلیل شده‌اند. نتایج بررسی‌ها نشان می‌دهد که gnnها با درک ساختار توپولوژیکی شبکه و یادگیری روابط فیزیکی میان اجزای سیستم، توانایی بالایی در پیش‌بینی رفتار پویای شبکه و بهبود قابلیت اطمینان سیستم قدرت دارند. با این حال، چالش‌هایی همچون کمبود داده‌های زمانی مرحله‌به‌مرحله، ضعف در تفسیرپذیری مدل‌ها، و ادغام ناکامل ابعاد گرافی، زمانی و فیزیکی همچنان پابرجا هستند. همچنین، فرصت‌های آتی پژوهش شامل توسعه مدل‌های تبیین‌پذیر، یکپارچه‌سازی داده‌های iot و به‌کارگیری gnn در شبکه‌های چندانرژی می‌تواند مسیرهای نوینی برای تحقیقات آینده فراهم سازد.

applications of graph neural networks in smart power grids: a comprehensive review on fault detection and prediction

in recent years, the application of graph neural networks (gnns) in the analysis, diagnosis, and prediction of faults in smart power grids has grown rapidly. this review aims to systematically examine recent research trends and identify emerging directions in this field. representative studies, including node–edge attributed models, temporal and cascading sequence frameworks, physics-guided architectures, and standardized datasets, are reviewed and critically analyzed. the findings reveal that gnns, by capturing the topological structure of power networks and learning the underlying physical relationships among system components, demonstrate strong capabilities in dynamic behavior prediction and reliability enhancement of power systems. nevertheless, several challenges remain, such as the scarcity of stepwise temporal data, limited model interpretability, and incomplete integration of graph, temporal, and physical dimensions. future research opportunities lie in developing explainable gnn models, integrating iot-driven data sources, and extending graph-based learning to multi-energy networks to advance fault analysis and resilient grid operations.