摘要
随着电力系统规模的不断扩大以及复杂程度的日益提升，功率流计算在电力系统分析与运行中仍是一项基础性工作。传统方法依赖迭代求解器及复杂的电网模型，但常常受到收敛性问题以及不准确的建模假设的制约。为克服这些局限，本文提出了一种基于深度学习的方法，结合图神经网络与循环神经网络来开展功率流计算。所提出的模型通过图卷积层捕捉空间关联关系，通过循环层处理时间动态特性，从而能够准确预测节点电压幅值、相位角以及支路功率流。为提升模型的透明度，本文还采用了基于SHAP（Shapley加性解释）的特征归因方法以及多模态可视化技术来解读模型的预测结果。在IEEE 9节点、39节点和118节点系统上的实验表明，该方法的预测误差控制在4%以内，且计算速度相比传统的牛顿-拉夫森方法提升了约40倍。除了技术性能方面的优势外，这些结果还表明，所提出的方法有助于实现更高效、更可靠的电网运行，进而推动可再生能源的整合、提升电网的抗灾能力，并促进可持续能源系统的发展。
