图能量是图的邻接矩阵的特征值的绝对值之和,可视为基于图谱的一个不变量,具有实际应用背景和重要应用价值,是图论、量子化学、复杂网络分析、大规模科学计算等领域的重要研究方向之一。大量的已有研究给出了图能量的上下界或者具有特定性质图能量的上下界,但是这些上下界可能与实际数值偏差很大。为此,我们提出了一些新的算法来快速有效的估算图能量,使得估计的结果与实际结果在“同一量级”上。基于图邻接矩阵低秩的假设,本文首先提出了基于随机奇异值分解(RSVD)的算法计算图能量,但是该方法中样本的采样量事先难以确定。为了提高计算结果的精度,我们提出一种估算图能量的“不重开始”算法,并给出算法的误差分析和收敛性,该算法需要不停的扩充正交矩阵的列,因此所需的运算量和存储量随迭代会越来越大。为此我们又提出一种“重开始”算法克服该缺陷,并给出新策略的合理性解释。所有算法都可以用来计算大规模无向图和有向图的能量,而且不重开始和重开始的算法都可以用来估算百万量级以上图的能量。数值实验表明了新策略的合理性和算法的有效性。