对于交流潮流无功优化问题的 强 NP - 完全性 做出严格证明。
Dec, 2015
通过将可行集合轻微缩小，针对径向网络，可以在先验可检查的条件下通过二阶锥规划 (SOCP) 松弛恢复 OPF 的全局最优解。针对 IEEE 13、34、37、123 节点总线网络和两个实际网络，该条件成立并具有物理解释。
Nov, 2013
本文研究表明，当非凸性的二次约束二次规划的基础图为无环图且其约束满足一定的技术条件时，可以在多项式时间内解决；当这个条件不满足时，我们提出了一种启发式方法来获取可行点，并在放射网络的最优功率流问题上展示了此方法的应用。
Mar, 2012
本文提出一种基于树形结构图模型和区间离散化的近似算法，使用约束规划技术和自适应边界传播算法，能够解决优化问题，适用于任意分配网络和混合整数优化问题，可在智能电网应用中使用，实现分布式消息传递方式，具有良好的可伸缩性和实际效用。
Jun, 2016
通过机器学习来学习凸近似解，以实现在线设置下较快的分析，并允许与其他凸依赖决策问题的耦合，从而在这些复杂问题中实现小精度换取速度上的巨大收益，以高效地探索广阔的解空间。
Oct, 2023
为了确保安全的系统运行，需要新的工具来处理越来越多的可再生电力带来的不确定性。本文给出了基于概率约束的 AC 优化功率流问题，提出了一个准确而可行的分析改进方法，提供了不同的解决算法，并在基于四种不同 IEEE 系统的案例研究中证明了迭代方法的可扩展性和最优性。
Jun, 2017
本研究针对交流最优潮流问题进行了基于机器学习的优化代理方法的探索，通过凸松弛和新型双重架构提供有效的对偶上下界，同时结合自监督学习策略，实现了高效和可扩展性的优化。
使用深度神经网络（DeepOPF）方法解决交流最优潮流（AC-OPF）问题可提高计算速度两个数量级，并且可以保持物理和运行约束的一致性，并使用零阶梯度估计技巧在培训过程中维护剩余的不等式约束条件。
Jul, 2020
本文介绍了一种名为 OPF-DNN 的模型，它将深度神经网络和 Lagrangian 对偶相结合，以在满足物理和运行约束条件的同时确保发电机设定点的最小成本，从而在大型电力系统中提供高效准确的交流最优功率流（AC-OPF）近似解决方案。
Jun, 2020
通过研究注入区域的几何结构及其与树网络功率流优化的关系，提出了一种在实践条件下通过凸壳有效解决凸化功率流问题的方法。
Apr, 2012