Con el desarrollo de la transformación digital e inteligente de la red eléctrica, la estructura y la tecnología de operación y mantenimiento de la red eléctrica se actualizan constantemente, lo que conduce a problemas como dificultades en la adquisición y selección de información. Por lo tanto, proponemos un método de recomendación para la recuperación de conocimiento de energía basado en una red neuronal gráfica (RPKR-GNN). El método primero utiliza una red neuronal gráfica para aprender la información de la estructura de red del grafo de conocimiento de fallas de energía y realizar el incrustado semántico profundo de entidades y relaciones de energía. Después de esto, fusiona los caminos del grafo de conocimiento de energía para extraer las posibles relaciones de entidades de energía y completa el grafo de conocimiento de fallas de energía a través de la inferencia de conocimiento. Al mismo tiempo, combinamos las características del comportamiento de recuperación del usuario para la agregación de conocimiento y formamos un subgrafo personal, y analizamos el subgrafo de recuperación del usuario mediante la coincidencia de la similitud de las características de palabras clave de recuperación. Finalmente, formamos un subgrafo de fusión basado en la topología del subgrafo y reordenamos las entidades del subgrafo para generar una lista de recomendaciones para los usuarios objetivo para la predicción de la intención de recuperación del usuario. A través de la comparación experimental con varios modelos clásicos, los resultados muestran que los modelos tienen cierta capacidad de generalización en la inferencia de conocimiento. El método tiene un buen rendimiento en términos de los índices MR y Hit@10 en cada conjunto de datos, y el valor de F1 puede alcanzar 87.3 en el efecto de recomendación de recuperación, lo que mejora efectivamente la capacidad de operación y mantenimiento automatizada del sistema eléctrico.