非线性状态估计（SE）的目的是根据电力系统中所有可用的测量值估算复杂的总线电压，通常使用迭代的高斯 - 纽顿方法来解决。在考虑来自相组量测量单元以及监督控制和数据采集系统的输入时，非线性SE会带来一些困难。这些包括数值不稳定性，收敛时间取决于迭代方法的起点以及单个迭代在状态变量数量方面的二次计算复杂性。本文在非线性功率系统SE的增强因子图上介绍了基于图形神经网络的原始SE实现，能够在分支机构和总线上进行测量，以及相法和遗留测量。提出的回归模型在一旦训练的推理时间内具有线性计算复杂性，并且有可能实现分布式。由于该方法是非词语且基于非矩阵的，因此它对高斯求解器容易出现的问题具有弹性。除了测试集的预测准确性外，提出的模型在模拟网络攻击和由于沟通不规则引起的不可观察的情况时表现出了鲁棒性。在这种情况下，预测错误在本地持续存在，对电力系统的其余结果没有影响。

状态估计（SE）算法的目标是基于电力系统中的可用测量集来估计复杂的总线电压作为状态变量。因为相量测量单元（PMU）越来越多地用于传输电力系统，所以需要一种快速SE求解器，可以利用PMU高采样率。本文提出培训图形神经网络（GNN），以了解给PMU电压和电流测量作为输入的估计，目的是在评估阶段期间获得快速和准确的预测。使用合成数据集接受GNN，由电力系统中的随机采样的测量集创建并用使用带有PMU求解器的线性SE获得的解决方案来标记它们。所呈现的结果显示了各种测试场景中GNN预测的准确性，并将预测的灵敏度解决对缺失的输入数据。

第五代（5G）网络具有加速电源系统过渡到灵活，软焊，数据驱动和智能网格的潜力。凭借对机器学习（ML）/人工智能（AI）功能的不断发展的支持，预计5G网络将启用新颖的以数据为中心的智能电网（SG）服务。在本文中，我们探讨了如何将数据驱动的SG服务与共生关系中的ML/AI-ai-5G网络集成在一起。我们专注于状态估计（SE）作为能源管理系统的关键要素，并专注于两个主要问题。首先，我们以教程的方式介绍了如何将分布式SE与5G核心网络和无线电访问网络体系结构的元素集成在一起的概述。其次，我们介绍并比较了基于以下方面的两种强大的分布式SE方法：i）图形模型和信念传播以及ii）图形神经网络。我们讨论了他们的性能和能力，以考虑到通信延迟，通过5G网络支持接近实时的SE。

我们提出了一种基于图形神经网络（GNN）的端到端框架，以平衡通用网格中的功率流。优化被帧为监督的顶点回归任务，其中GNN培训以预测每个网格分支的电流和功率注入，从而产生功率流量平衡。通过将电网表示为与顶点的分支的线图，我们可以培训一个更准确和强大的GNN来改变底层拓扑。此外，通过使用专门的GNN层，我们能够构建一个非常深的架构，该架构占图表上的大街区，同时仅实现本地化操作。我们执行三个不同的实验来评估：i）使用深入GNN模型时使用本地化而不是全球运营的好处和趋势; ii）图形拓扑中对扰动的弹性;和iii）能力同时在多个网格拓扑上同时培训模型以及新的看不见网格的概括性的改进。拟议的框架是有效的，而且与基于深度学习的其他求解器相比，不仅对网格组件上的物理量而且对拓扑的物理量具有鲁棒性。

This paper presents a Temporal Graph Neural Network (TGNN) framework for detection and localization of false data injection and ramp attacks on the system state in smart grids. Capturing the topological information of the system through the GNN framework along with the state measurements can improve the performance of the detection mechanism. The problem is formulated as a classification problem through a GNN with message passing mechanism to identify abnormal measurements. The residual block used in the aggregation process of message passing and the gated recurrent unit can lead to improved computational time and performance. The performance of the proposed model has been evaluated through extensive simulations of power system states and attack scenarios showing promising performance. The sensitivity of the model to intensity and location of the attacks and model's detection delay versus detection accuracy have also been evaluated.

Algorithmic solutions for multi-object tracking (MOT) are a key enabler for applications in autonomous navigation and applied ocean sciences. State-of-the-art MOT methods fully rely on a statistical model and typically use preprocessed sensor data as measurements. In particular, measurements are produced by a detector that extracts potential object locations from the raw sensor data collected for a discrete time step. This preparatory processing step reduces data flow and computational complexity but may result in a loss of information. State-of-the-art Bayesian MOT methods that are based on belief propagation (BP) systematically exploit graph structures of the statistical model to reduce computational complexity and improve scalability. However, as a fully model-based approach, BP can only provide suboptimal estimates when there is a mismatch between the statistical model and the true data-generating process. Existing BP-based MOT methods can further only make use of preprocessed measurements. In this paper, we introduce a variant of BP that combines model-based with data-driven MOT. The proposed neural enhanced belief propagation (NEBP) method complements the statistical model of BP by information learned from raw sensor data. This approach conjectures that the learned information can reduce model mismatch and thus improve data association and false alarm rejection. Our NEBP method improves tracking performance compared to model-based methods. At the same time, it inherits the advantages of BP-based MOT, i.e., it scales only quadratically in the number of objects, and it can thus generate and maintain a large number of object tracks. We evaluate the performance of our NEBP approach for MOT on the nuScenes autonomous driving dataset and demonstrate that it has state-of-the-art performance.

这项研究采用无限脉冲响应（IIR）图神经网络（GNN），有效地对智能网格数据的固有图形网络结构进行建模，以解决网络攻击本地化问题。首先，我们通过数值分析有限脉冲响应（FIR）和IIR图过滤器（GFS）的经验频率响应，以近似理想的光谱响应。我们表明，对于相同的滤波器顺序，IIR GF可以更好地近似所需的光谱响应，并且由于其合理类型的滤镜响应，它们也与较低阶GF的近似值相同。其次，我们提出了一个IIR GNN模型，以有效预测总线上的网络攻击的存在。最后，我们在样本（SW）和BUS（BW）水平的各种网络攻击下评估了模型，并将结果与​​现有架构进行比较。经过实验验证的是，所提出的模型的表现分别优于最先进的FIR GNN模型，分别在SW和BW定位方面分别优于9.2％和14％。

电力系统状态估计面临着不同类型的异常。这些可能包括由总测量错误或通信系统故障引起的不良数据。根据实施的状态估计方法，负载或发电的突然变化可以视为异常。此外，将电网视为网络物理系统，状态估计变得容易受到虚假数据注射攻击的影响。现有的异常分类方法无法准确对上述三种异常进行分类（区分），尤其是在歧视突然的负载变化和虚假数据注入攻击时。本文提出了一种用于检测异常存在，对异常类型进行分类并识别异常起源的新算法更改或通过错误数据注入攻击针对的状态变量。该算法结合了分析和机器学习（ML）方法。第一阶段通过组合$ \ chi^2 $检测指数来利用一种分析方法来检测异常存在。第二阶段利用ML进行异常类型的分类和其来源的识别，特别是指突然负载变化和错误数据注射攻击的歧视。提出的基于ML的方法经过训练，可以独立于网络配置，该网络配置消除了网络拓扑变化后算法的重新训练。通过在IEEE 14总线测试系统上实施拟议的算法获得的结果证明了拟议算法的准确性和有效性。

深度学习技术的普及更新了能够处理可以使用图形的复杂结构的神经结构的兴趣，由图形神经网络（GNN）的启发。我们将注意力集中在最初提出的Scarselli等人的GNN模型上。 2009，通过迭代扩散过程编码图表的节点的状态，即在学习阶段，必须在每个时期计算，直到达到学习状态转换功能的固定点，传播信息邻近节点。基于拉格朗日框架的约束优化，我们提出了一种在GNNS中学习的新方法。学习转换功能和节点状态是联合过程的结果，其中通过约束满足机制隐含地表达了状态会聚过程，避免了迭代巨头程序和网络展开。我们的计算结构在由权重组成的伴随空间中搜索拉格朗日的马鞍点，节点状态变量和拉格朗日乘法器。通过加速扩散过程的多个约束层进一步增强了该过程。实验分析表明，该方法在几个基准上的流行模型有利地比较。

功率流分析用于评估电力系统网络中的电流。功率流量计算用于确定系统的稳态变量，例如每个总线的电压幅度/相位角以及每个分支上的主动/无功流量。直流电流模型是一种流行的线性电流模型，广泛应用于电力行业。虽然它是快速且稳健的，但它可能导致一些关键传输线的线流量产生不准确的线流。可以通过利用历史网格配置文件的数据驱动方法部分地解决该缺陷。在本文中，训练了神经网络（NN）模型以预测使用历史电力系统数据来预测电力流量结果。虽然培训过程可能需要时间，但一旦训练，估计线流是非常快的。采用了所提出的基于NN的功率流模型和传统的直流电流模型之间的综合性能分析。可以得出结论，所提出的基于NN的电力流模型可以比直流电流模型快速更准确地找到解决方案。

由于处理非covex公式的能力，深入研究深度学习（DL）技术以优化多用户多输入单输出（MU-MISO）下行链接系统。但是，现有的深神经网络（DNN）的固定计算结构在系统大小（即天线或用户的数量）方面缺乏灵活性。本文开发了一个双方图神经网络（BGNN）框架，这是一种可扩展的DL溶液，旨在多端纳纳波束形成优化。首先，MU-MISO系统以两分图为特征，其中两个不相交的顶点集（由传输天线和用户组成）通过成对边缘连接。这些顶点互连状态是通过通道褪色系数建模的。因此，将通用的光束优化过程解释为重量双分图上的计算任务。这种方法将波束成型的优化过程分为多个用于单个天线顶点和用户顶点的子操作。分离的顶点操作导致可扩展的光束成型计算，这些计算不变到系统大小。顶点操作是由一组DNN模块实现的，这些DNN模块共同构成了BGNN体系结构。在所有天线和用户中都重复使用相同的DNN，以使所得的学习结构变得灵活地适合网络大小。 BGNN的组件DNN在许多具有随机变化的网络尺寸的MU-MISO配置上进行了训练。结果，训练有素的BGNN可以普遍应用于任意的MU-MISO系统。数值结果验证了BGNN框架比常规方法的优势。

作为一种高度复杂和集成的网络物理系统，现代电网暴露于网络攻击。假数据注入攻击（FDIAS），具体地，通过针对测量数据的完整性来表示对智能电网的主要类别威胁。虽然已经提出了各种解决方案来检测那些网络攻击，但绝大多数作品忽略了电网测量的固有图结构，并仅验证了其检测器，仅针对小于几百辆公共汽车的小型测试系统。为了更好地利用智能电网测量的空间相关性，本文提出了使用Chebyshev Graph卷积网络（CGCN）的大规模交流电网中的网络内人检测深度学习模型。通过降低光谱滤波器的复杂性并使它们本地化，CGCN提供了一种快速高效的卷积操作，以模拟图形结构智能电网数据。我们在数值上验证所提出的CGCN的探测器在7.86以7.86以7.67以带有2848辆总线的大型电网的误报率的7.86以7.86的误报。所值得注意的是，所提出的方法检测为2848辆总线系统的4毫秒下的网络攻击，这使其成为大型系统中的网络内攻击的良好候选者。

动态类型的语言如JavaScript和Python已成为最受欢迎的使用中的使用中。重要的优势可以从动态类型的程序中的类型注释累积。逐渐键入的这种方法是由Querecript编程系统示例，允许程序员指定部分键入的程序，然后使用静态分析来推断剩余类型。然而，通常，静态类型推断的有效性受到限制，取决于程序结构和初始注释的复杂性。结果，对于可以在动态类型的程序中可以在静态预测类型中推进本领域的新​​方法的强大动机，并且该具有可接受的性能用于交互式编程环境。以前的工作表明了使用深度学习的概率类型推断的承诺。在本文中，我们通过引入一系列图形的神经网络（GNN）模型来推进过去的工作，该模型在新型流程图（TFG）表示上运行。 TFG表示输入程序的元素，作为与语法边缘和数据流边缘连接的图表节点，并且我们的GNN模型训练以预测给定输入程序的TFG中的类型标签。我们为我们的评估数据集中的100种最常见类型的GNN模型研究了不同的设计选择，并显示了我们最佳的准确性的两个GNN配置，分别实现了87.76％和86.89％的前1个精度，优于两个最密切相关的深度学习型推断从过去的工作 - 矮人的前进剂，顶级1的精度为84.62％，兰丹特精确为79.45％。此外，这两种配置的平均推理吞吐量为353.8和1,303.9文件/秒，而DeepTyper的186.7个文件/秒和LambDanet的1,050.3文件/秒。

在过去的几年中，已经开发了图形绘图技术，目的是生成美学上令人愉悦的节点链接布局。最近，利用可区分损失功能的使用已为大量使用梯度下降和相关优化算法铺平了道路。在本文中，我们提出了一个用于开发图神经抽屉（GND）的新框架，即依靠神经计算来构建有效且复杂的图的机器。 GND是图形神经网络（GNN），其学习过程可以由任何提供的损失函数（例如图形图中通常使用的损失函数）驱动。此外，我们证明，该机制可以由通过前馈神经网络计算的损失函数来指导，并根据表达美容特性的监督提示，例如交叉边缘的最小化。在这种情况下，我们表明GNN可以通过位置功能很好地丰富与未标记的顶点处理。我们通过为边缘交叉构建损失函数来提供概念验证，并在提议的框架下工作的不同GNN模型之间提供定量和定性的比较。

近年来，电力发电已导致美国超过四分之一的温室气体排放。将大量的可再生能源整合到电网中可能是减少电网中碳排放并减缓气候变化的最易于使用的方法。不幸的是，风和太阳能等最容易获得的可再生能源是高度波动的，因此给电网操作带来了很多不确定性，并挑战了现有的优化和控制政策。偶然受限的交流电（AC）最佳功率流（OPF）框架找到了最低成本生成的调度，以保持较低的概率将电网操作保持在安全限制之内。不幸的是，AC-OPF问题的偶然性约束扩展是非登记，计算挑战性的，需要了解系统参数以及有关可再生分布行为的其他假设。已知的线性和凸近似于上述问题，尽管可以进行操作，但对于操作实践来说太保守了，并且不考虑系统参数的不确定性。本文提出了一种基于高斯流程（GP）回归以缩小此差距的替代数据驱动方法。 GP方法学习了一个简单但非凸的数据驱动的近似值，可以包含不确定性输入的交流功率流程。然后，通过考虑输入和参数不确定性，将后者用于有效地确定CC-OPF的解。在众多IEEE测试案例中，说明了使用不同近似值的GP不确定性传播的拟议方法的实际效率。

Optimal Power Flow (OPF) is a very traditional research area within the power systems field that seeks for the optimal operation point of electric power plants, and which needs to be solved every few minutes in real-world scenarios. However, due to the nonconvexities that arise in power generation systems, there is not yet a fast, robust solution technique for the full Alternating Current Optimal Power Flow (ACOPF). In the last decades, power grids have evolved into a typical dynamic, non-linear and large-scale control system, known as the power system, so searching for better and faster ACOPF solutions is becoming crucial. Appearance of Graph Neural Networks (GNN) has allowed the natural use of Machine Learning (ML) algorithms on graph data, such as power networks. On the other hand, Deep Reinforcement Learning (DRL) is known for its powerful capability to solve complex decision-making problems. Although solutions that use these two methods separately are beginning to appear in the literature, none has yet combined the advantages of both. We propose a novel architecture based on the Proximal Policy Optimization algorithm with Graph Neural Networks to solve the Optimal Power Flow. The objective is to design an architecture that learns how to solve the optimization problem and that is at the same time able to generalize to unseen scenarios. We compare our solution with the DCOPF in terms of cost after having trained our DRL agent on IEEE 30 bus system and then computing the OPF on that base network with topology changes

大多数图形神经网络（GNNS）无法区分某些图形或图中的某些节点。这使得无法解决某些分类任务。但是，在这些模型中添加其他节点功能可以解决此问题。我们介绍了几种这样的增强，包括（i）位置节点嵌入，（ii）规范节点ID和（iii）随机特征。这些扩展是由理论结果激励的，并通过对合成子图检测任务进行广泛测试来证实。我们发现位置嵌入在这些任务中的其他扩展大大超过了其他扩展。此外，位置嵌入具有更好的样品效率，在不同的图形分布上表现良好，甚至超过了地面真实节点位置。最后，我们表明，不同的增强功能在既定的GNN基准中都具有竞争力，并建议何时使用它们。

交替的电流（AC）偶然受限的最佳功率流（CC-OPF）问题解决了发电不确定性下发电和交付的经济效率。由于可再生能源量大量，后者是现代电网的内在固有的。尽管取得了学术上的成功，但AC CC-OPF问题是高度非线性和计算要求的，这限制了其实际影响。为了改善AC-OPF问题的复杂性/准确性权衡，本文提出了一种快速数据驱动的设置，该设置使用稀疏和混合的高斯流程（GP）框架，以模拟具有输入不确定性的功率流程方程。我们提倡通过数值研究对拟议方法的效率，而与最新方法相比，多个IEEE测试用例的效率快两倍，更准确。

VAR-VAR控制（VVC）是通过控制电源系统中的执行器在健康状态内运行电源分配系统的问题。现有作品主要采用代表电力系统（带有树拓扑的图）作为训练深钢筋学习（RL）策略的向量的常规例程。我们提出了一个将RL与图形神经网络相结合的框架，并研究VVC设置中基于图的策略的好处和局限性。我们的结果表明，与向量表示相比，基于图的策略会渐近地收敛到相同的奖励。我们对观察和行动的影响进行进一步分析：在观察端，我们研究了基于图形的策略对功率系统中两个典型数据采集错误的鲁棒性，即传感器通信失败和测量错误。在动作端，我们表明执行器对系统有各种影响，因此使用由电源系统拓扑引起的图表表示可能不是最佳选择。最后，我们进行了一项案例研究，以证明读取功能架构和图形增强的选择可以进一步提高训练性能和鲁棒性。

本文开发了一个深图运算符网络（DeepGraphonet）框架，该框架学会了近似具有基础子图形结构的复杂系统（例如电网或流量）的动力学。我们通过融合（i）图形神经网络（GNN）来利用空间相关的图形信息和（ii）深操作符网络〜（deeponet）近似动态系统的解决方案操作员的能力来构建深图载体。然后，所得的深图载体可以通过观察图形状态信息的有限历史来预测给定的短/中期时间范围内的动力学。此外，我们将深图载体设计为独立于解决方案。也就是说，我们不需要以精确/相同的分辨率收集有限的历史记录。此外，为了传播训练有素的Deepgraphonet的结果，我们设计了一种零摄像的学习策略，可以在不同的子图上使用它。最后，对（i）瞬态稳定性预测电网和（ii）车辆系统的交通流量预测问题的经验结果说明了拟议的Deepgraphonet的有效性。