تعتبر الشبكات العصبية البيانية (Graph Neural Networks - GNNs) واحدة من أحدث الاتجاهات في تطوير نماذج سريعة وواعية بالهيكلة في أنظمة الطاقة الكهربائية, وهي تدعم مهام متعددة مثل تحليل تدفق الطاقة (Power Flow - PF)، تقدير تدفق الطاقة الأمثل (Optimal Power Flow - OPF)، وتحليل الفشل المتسلسل (Cascading Failure Analysis - CFA). ومع تزايد استخدامها، يظل التحقق الرسمي من نماذج GNN تحديًا كبيرًا، حيث تقتصر الأساليب الحالية على نطاقات محدودة.

في هذا البحث، قمنا بتوسيع إطار التحقق من الشبكات العصبية (Neural Network Verification - NNV) ليتناسب مع المدخلات ذات الهيكلية البيانية من خلال مجموعة GraphStar، وهي تعميم لمجموعات Star مما يتيح التقاط عدم اليقين عبر الميزات الخاصة بالعقد والحواف.

تتيح هذه الإضافة انتشار عمليات تمرير الرسائل الخطية وتقدير غير خطيات ReLU بطريقة صحيحة لمعمارية GNN، بما في ذلك الشبكة الالتفافية البيانية (Graph Convolutional Network - GCN) وشبكة التطابق البياني مع ميزات الحواف (Graph Isomorphism Network - GINE).

قمنا بتقييم GNNV عبر ثلاث مهام في نظام الطاقة: PF، OPF، وCFA، على حالات اختبار IEEE-24، IEEE-39، وIEEE-118، بالإضافة إلى معيارين معروفين لتصنيف الرسوم البيانية، وهما ENZYMES وPROTEINS. تظهر النتائج أن GNNV تقدم ضمانات قوة أكثر إحكامًا من CORA في نماذج تصنيف الرسوم البيانية ذات تفعيلات ReLU، وتقدم لأول مرة ضمانات متعلقة بالحواف لنماذج PF وOPF المعتمدة على GINE تحت اضطرابات قام بها كل من العقد والحواف.

إذا كنت مهتمًا بمزيد من التفاصيل حول هذه التطورات التقنية وكيف يمكن أن تؤثر على مستقبل أنظمة الطاقة، فلا تتردد في التواصل معنا! ما هي آرائكم حول هذا التقدم؟