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
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
通过设计和比较不同的监督学习算法来计算 ACOPF 的成本，我们提出了一种快速计算 OPF 成本的方法，能够在多重时间协调框架中预测短期决策结果，从而避免了实际模拟和优化的需要，并且在保证均值误差小于 1% 的情况下，运行时间比精确计算低几个数量级。
Dec, 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
本文提出了使用分类算法来学习不确定性实现与最优解的约束集之间的映射，以进一步增强实时预测的计算效率。我们采用神经网络分类器来完成这项任务，并在 IEEE PES PGLib-OPF 基准库中的多个系统上展示了这种方法的优异性能。
Feb, 2019
本文探讨了利用已有的 ACOPF 数据来预测未来问题的解决方案的方法，使用数据驱动建模的 Random Forest 算法并采用多目标学习方法预测未来问题的解，从而实现了快速求解 ACOPF 问题的智能预热初始点。
May, 2019
本文介绍了一种应对可再生能源成为电力系统中前后台主要动力源带来的系统随机性对于最优潮流问题的挑战的深度学习方法。利用系统先前状态的信息，并结合 Lagrangian 方法，成功地解决了最优电力流问题并改进了目前广泛采用的线性近似算法的精度。
ACOPF 学习的创新框架结合了经典的基于优化的方法和基于神经网络的方法，通过特殊的激活函数和损失函数，实现了高效可靠的解决方案，提高了可行性率和发电成本。
Jan, 2024
借助物理启示的机器学习方法，使用模仿学习和历史欧洲天气数据集，直接将电力需求和天气模式与电力调度和发电相互关联，从而实现实时最优功率流解决方案，并验证效果优于现有数据驱动技术，有助于可再生能源时代构建更具韧性的电力系统。
Nov, 2023
本文提出使用图神经网络在模仿学习框架下，近似求解最优潮流问题 (OPF)，并在 IEEE-30 和 IEEE-118 测试实例上进行了数值实验。
Oct, 2019