この研究は、バスバー分割を利用したネットワークトポロジ最適化（NTO）が送電網の混雑を緩和し、再配電コストを削減できることに焦点を当てています。しかし、大規模システムにおける混合整数非線形問題のリアルタイム解決は従来のソルバーでは困難です。そこで、機械学習（ML）アプローチが注目されていますが、未見のトポロジーへの一般化が制限されています。本論文では、線形化されたAC PFを考慮した混雑管理問題のためのNTOを定式化し、グラフニューラルネットワーク（GNN）を用いた加速手法を提案。提案手法は、効果的なバスバー分割アクションを予測し、未見のトポロジー変化への一般化を達成します。ケーススタディでは、最大4桁のスピードアップを記録し、1分以内にAC実現可能な解を提供する結果が得られました。この成果は、大規模システムにおけるほぼリアルタイムのNTOに向けた重要なステップを示しています。