固定母线—支路图跟不上故障变化
概率潮流（PPF）要回答的是：当注入功率存在不确定性时，各母线电压和相角的分布是什么。数据驱动代理模型用学习到的映射替代反复的非线性求解。论文的出发点是：当一个代理模型绑定在单一的母线—支路图上时，一旦故障改变了哪些母线之间存在电气耦合，它的泛化就会变差。把另一张图作为输入接受下来，并不等于能泛化到这张图：拓扑配置的数量随支路数组合式增长，穷举训练不可行。
因此，作者把任务定义为：刻画局部拓扑扰动如何跨越物理上有意义的空间尺度被转换，而不是单纯把消息传得更远或加入更多物理约束。这一设定决定了架构：模型的传播结构针对当前电网重建，而不是在训练时就固定下来。
每个拓扑重建三层电气结构
对每个实际拓扑，电网被分解为核心骨干子网（CBSG）、动态同质电压簇（DHVC）和基本拓扑单元（FTU，如串联、并联和网状连接）。CBSG 由节点权重识别，这些权重综合了短路容量、电压—无功灵敏度与介数中心性，再加上基于格兰杰因果关系的净因果强度，用来区分扰动源与扰动汇。其余母线则依据残差电压相关性、电气阻抗距离和拓扑跳数构建亲和矩阵，再用谱聚类分组。
随后，每个单元被线性化为边界端口上的等效导纳矩阵加上内部参数，从而保留单元之间的电气端口。这是论文的关键归纳偏置：拓扑变化时，局部扰动主要影响邻近节点，而层级结构为网络提供了承载这种局部性的位置。分解受电气约束，而非自由学习，这也是同一套算子能跨电网规模复用的原因。
线性先验加学习到的非线性残差
预测被拆成两部分。基于灵敏度的线性先验捕捉注入变化引起的一阶电压幅值和相角响应，分层双向 GNN 只在其上学习依赖拓扑的非线性残差。最终的母线分位数等于线性化基线加上学习到的分位数偏移，并通过累积 softplus 增量做单调构造，保证分位数有序。
信息双向流动。自底向上聚合用阻抗与不确定性感知的注意力，把节点特征经 FTU 和 DHVC 汇聚到 CBSG，压缩局部扰动。自顶向下广播通过分层反池化和一条模式调制路径把系统上下文送回各母线，后者让每条母线按模式亲和度对骨干信号加权，再由门控融合。两轮交换闭合局部—全局回路。训练损失把分位数 pinball 损失与线性化偏差项、通过导纳矩阵施加的基尔霍夫电流定律约束，以及对中位相角预测的功角灵敏度约束结合起来。
相角优势在每一个留出事件中都成立
评估在 IEEE 118 节点和波兰 2746 节点系统上进行，覆盖未见 N–1 和 N–2 故障，并与六个基线方法比较。全节点相角误差比最强基线低 2.47–4.20 倍，论文报告在每一个留出事件中相角误差都更低。全部 24 组系统—故障—基线汇总在电压—相角联合误差上都偏向 TDD–HBGNN。
这些是相对具名基线的误差比值，不是绝对精度保证，而且相角结果是在全节点层面聚合的。电压—相角联合比较是另一个汇总指标，因此相角比值不应被当作电压幅值结果来读。
电压精度是局部效应而非全网效应
电压幅值优势在电网上并不均匀，而是集中在故障支路附近：配对误差比在 IEEE 系统上达到 1.75–2.58，在波兰系统的 N–2 事件中为 1.87–1.97。论文的归因分析在 IEEE 系统上定位出一个局部热点：排名前十的母线和物理支路分别贡献了联合误差的 42.47% 和 30.63%，远端区域的误差富集为 1.276，而响应富集仅为 0.338。在波兰系统上，对应贡献为 10.10% 和 9.72%，远端区域的误差富集与响应富集接近持平。
作者明确指出，这些关联只定位了误差积累的位置，并未确立支路的因果作用。因此，比较两个系统的读者应把 IEEE 热点理解为误差所在位置的描述，而不是这些支路导致误差的证据。
一个小模型覆盖两种电网规模
共享的分层算子让模型在两个电网上都保持 0.658 百万参数，每个概率场景的前向延迟为 0.161–1.793 ms。论文将此归因于用固定宽度算子处理重建后的层级，而不是展平的系统专属向量；这也正是同一架构能适配不同电网规模的原因。
这里的延迟是每个概率场景的延迟，不是每个故障或每次求解的延迟，因此不能在没有对应分母的情况下换算成每个场景的加速比。
消融把增益归到先验与层级交换
消融分析分别去掉线性先验或学习到的修正、展平层级、抑制自顶向下传播，或缩减为单轮交换。每一种改动都使报告的 D1 误差按中位数因子 1.46–12.04 上升。这把增益与先验—残差形式以及重复的分层交换联系起来，而不只是模型规模。
消融以这些变体的中位数因子区间报告，因此它支持各组件贡献的方向，但不支持精确的单组件效应量。
结论的适用边界
已验证的范围是两个测试系统、未见 N–1 和 N–2 故障，以及电压幅值和相角的分位数输出。作者指出，未来工作应把灵敏度先验扩展到强非线性和不平衡工况，并纳入负荷与非光伏调度的不确定性。他们还指出，分位数头和经验证集训练的风险评分需要拓扑感知校准、分布外检测、自适应阈值，以及经过验证的物理求解器兜底；真正的零样本迁移应在相关公用事业电网上测试，同时保持学习到的分层算子固定。
实际优先级来自结果的分化：最强、最一致的证据是未见故障下的全网相角精度，而电压幅值方面是故障局部的优势，其大小取决于与故障支路的距离。读者在判断这个代理模型是否适合某个用例时，应先确认应用实际依赖的是这两种误差画像中的哪一种。
本文引用的文献
Hierarchical Graph Neural Network for Probabilistic Power Flow With Grid Topology Contingencies
TDD–HBGNN 针对每个拓扑重建 FTU、DHVC 和 CBSG 层级，在未见 N–1 和 N–2 故障下，全节点相角误差比六个基线低 2.47–4.20 倍，电压幅值增益集中在故障支路附近。