用多项式优化问题表达交流最优电力流（ACOPF）问题可以在实践中解决大规模实例，并在理论上保证渐近收敛。

Apr, 2014

本文研究发现基于树状网络的二阶锥松弛是紧的且交流可行性问题是 NP - 难问题。

Oct, 2014

本文介绍了一种基于机器学习方法的在线求解交流优化潮流问题的方案，通过利用历史数据来学习系统负载和最优发电量之间的映射关系，实现在毫秒级别上获得近乎最优的解决方案，避免了解决非凸优化问题带来的计算挑战。

Sep, 2019

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

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

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

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

交流最佳功率流问题是电网规划和运行的高效且安全的关键。最近关于基于数据驱动的交流最佳功率流问题解决方法的研究表明，与传统解算器相比，其潜在的速度提升巨大。然而，目前尚无大规模开放数据集可供该问题使用。我们提供了迄今最大规模的可用解决交流最佳功率流问题的收集。这一收集比现有的可用数据集大数个数量级，可用于训练高容量的数据驱动模型。独特之处在于它包括拓扑扰动 - 这是在实际电网操作中的一个关键要求。我们希望这一资源将推动社区将研究拓展到具有可变拓扑的更大网格规模。

Jun, 2024

本教程总结了凸松弛在最优功率流问题中的最新进展，重点是结构特性而非算法。其中第一部分介绍了两个电力流模型，阐述了最优功率流及其在每个模型中的松弛，并证明了它们之间的等价关系。第二部分给出了凸松弛精确的充分条件。

May, 2014

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