用于优化电压调节的输入凸神经网络
本文提出了一种系统的方法，通过优化操作配电馈线和确保电压调节，确定住宅系统光伏逆变器的有功和无功功率设定点，从而应对屋顶光伏系统的高渗透率所带来的电力质量和稳定性问题。通过使用半定松弛技术等方法，成功地将新型最优逆变器分配问题转化为可行的凸性数组合。
Jul, 2013
本文介绍使用凸神经网络实现模型精确度和控制可行性之间的平衡，通过设计凸性的循环神经网络来捕获动态系统的时态行为，并且可以通过解决凸问题来实现最优控制器。实验结果表明，该方法在控制应用中具有良好的潜力。
May, 2018
本文介绍了输入凸性神经网络的架构和方法，通过网络参数的约束使得神经网络输出成为输入的凸函数，实现了高效的推理、优化和学习，在多标签预测、图像完成和强化学习等方面具有更好的性能表现。
Sep, 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
该研究提出了一种新的分布式电网电压调节方案，通过巧妙地耦合数据驱动与基于物理的优化来解决电动汽车和可再生发电设备带来的电压波动问题，并利用深度强化学习算法在每小时更慢的时间尺度上配置电容器最小化长期折扣电压偏差。
Apr, 2019
本研究提出了一种基于深度强化学习的算法来协调多个智能逆变器，以更有效地利用逆变器反应功率来满足电网电压的操作限制，该算法能够通过与海量离线模拟的交互来学习其策略，并适应负载和太阳能变化。在 IEEE 37 节点系统上，训练良好的 DRL 代理可智能地协调不同的 SI，以维持电网电压在允许范围内，实现减少 PV 生产限制和降低系统损失的目标。
Oct, 2019
使用两阶段深度强化学习方法来优化基于逆变器能源的电压调节，通过一个高效的对抗性强化学习算法，训练出离线代理程序，然后将其安全地转移到在线代理程序中，在线学习和控制具有显著的安全性和效率，从而比现有机器学习方法取得更好性能。
May, 2020