{"version":"1","article":{"id":"graph-network-models-grid-outage-power-flow-2026","slug":"graph-network-models-grid-outage-power-flow-2026","language":"es","url":"https://haberpaper.com/es/news/graph-network-models-grid-outage-power-flow-2026","api_url":"https://haberpaper.com/api/v1/articles/graph-network-models-grid-outage-power-flow-2026?lang=es","title":"Red jerárquica de grafos prueba el flujo de potencia tras cortes de líneas","summary":"Investigadores de las universidades de Oslo y Xi’an presentaron una red neuronal de grafos para estimar flujos probabilísticos cuando cambia la topología de la red tras cortes de líneas. El modelo redujo el error de ángulo de fase frente a métodos de referencia en dos redes de prueba.","category":"energy","region":"world","topics":["ai"],"published_at":"2026-10-13T20:11:52+03:00","modified_at":"2026-10-13T20:11:52+03:00","publication_basis":"publication-record","event_period":"2026-10-09","event_period_basis":"event-or-reference-period","sources":[{"name":"arXiv, Hierarchical Graph Neural Network for Probabilistic Power Flow with Grid Topology Contingencies (arXiv:2610.13495)","url":"https://arxiv.org/abs/2610.13495","checkedAt":"2026-10-13","publishedAt":"2026-10-09"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/graph-network-models-grid-outage-power-flow-2026","api_url":"https://haberpaper.com/api/v1/articles/graph-network-models-grid-outage-power-flow-2026?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/graph-network-models-grid-outage-power-flow-2026","api_url":"https://haberpaper.com/api/v1/articles/graph-network-models-grid-outage-power-flow-2026?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/graph-network-models-grid-outage-power-flow-2026","api_url":"https://haberpaper.com/api/v1/articles/graph-network-models-grid-outage-power-flow-2026?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/graph-network-models-grid-outage-power-flow-2026","api_url":"https://haberpaper.com/api/v1/articles/graph-network-models-grid-outage-power-flow-2026?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/graph-network-models-grid-outage-power-flow-2026","api_url":"https://haberpaper.com/api/v1/articles/graph-network-models-grid-outage-power-flow-2026?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["Un preprint publicado en arXiv el 9 de octubre por investigadores de la Universidad de Oslo y la Universidad Tecnológica de Xi’an propone una red neuronal de grafos jerárquica para estimar tensiones y ángulos de fase cuando una o dos líneas de transmisión quedan fuera de servicio. El método, denominado TDD-HBGNN, divide la red en unidades y zonas de tensión y conserva sus conexiones eléctricas. Combina una estimación lineal inicial basada en la física con una red de grafos que aprende correcciones no lineales dependientes de la topología.","Los autores compararon el modelo con seis métodos en los sistemas de prueba IEEE de 118 nodos y polaco de 2.746 nodos, bajo cortes N–1 y N–2 que no aparecieron durante el entrenamiento. El artículo informa de errores de ángulo de fase en todos los nodos entre 2,47 y 4,20 veces menores que los de las mejores referencias; la ventaja en magnitud de tensión se concentró cerca de las ramas fuera de servicio. Las simulaciones excluyeron la incertidumbre de carga, el redispatch de generadores y los fallos en cascada. Estos resultados no constituyen una validación de campo en una red operativa ni prueban seguridad operacional; el trabajo es un preprint aún no revisado por pares."],"key_points":[],"sections":[]},"text":"Investigadores de las universidades de Oslo y Xi’an presentaron una red neuronal de grafos para estimar flujos probabilísticos cuando cambia la topología de la red tras cortes de líneas. El modelo redujo el error de ángulo de fase frente a métodos de referencia en dos redes de prueba.\n\nUn preprint publicado en arXiv el 9 de octubre por investigadores de la Universidad de Oslo y la Universidad Tecnológica de Xi’an propone una red neuronal de grafos jerárquica para estimar tensiones y ángulos de fase cuando una o dos líneas de transmisión quedan fuera de servicio. El método, denominado TDD-HBGNN, divide la red en unidades y zonas de tensión y conserva sus conexiones eléctricas. Combina una estimación lineal inicial basada en la física con una red de grafos que aprende correcciones no lineales dependientes de la topología.\n\nLos autores compararon el modelo con seis métodos en los sistemas de prueba IEEE de 118 nodos y polaco de 2.746 nodos, bajo cortes N–1 y N–2 que no aparecieron durante el entrenamiento. El artículo informa de errores de ángulo de fase en todos los nodos entre 2,47 y 4,20 veces menores que los de las mejores referencias; la ventaja en magnitud de tensión se concentró cerca de las ramas fuera de servicio. Las simulaciones excluyeron la incertidumbre de carga, el redispatch de generadores y los fallos en cascada. Estos resultados no constituyen una validación de campo en una red operativa ni prueban seguridad operacional; el trabajo es un preprint aún no revisado por pares.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"energy","url":"https://haberpaper.com/assets/illustrations/energy-1536.webp","width":1536,"height":1024,"alt":"Paisaje energético simbólico con paneles solares, aerogeneradores y líneas eléctricas.","language":"es"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"energy","url":"https://haberpaper.com/assets/illustrations/energy-1536.webp","width":1536,"height":1024,"alt":"Paisaje energético simbólico con paneles solares, aerogeneradores y líneas eléctricas.","language":"es"}}}