可持续能源供应的转变在多个方面挑战电力系统的运行。本文通过数据驱动的分析，提供了德国输电网堵塞的预测模型，并量化了各因素对堵塞的影响，结果显示风力发电是主要动因，而太阳能发电没有缓解作用，建议通过市场设计改变来减轻堵塞问题。

Jul, 2023

本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

Oct, 2022

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

该文章提出使用 Filippov 不变量度量交流模型中的损失和控制器死区对可预测性和公平性的影响。

May, 2023

使用 “车辆 - 电网” 技术，电动汽车能够在工业微电网中以双向电流的方式提供可靠的频率调节支持，同时模拟结果表明，增加车辆数量可以进一步增强工业微电网的频率控制能力。

Feb, 2024

本文介绍了量子计算在智能电网问题中的应用，特别是 HHL 算法用于高效求解稀疏矩阵问题，并讨论了实现该算法所需的量子噪声、QRAM 实现和量子电路深度等问题。通过最新的硬件和软件算法的基准测试，以及使用基于变分量子电路的近期算法计算 6 个量子比特的截断版功率流。

Nov, 2022

通过使用 MCReSANet 构建高度非线性的谐波电压和电流之间的数据驱动模型，本文提出了解决分布系统中不同负载之间相互作用对谐波电压和电流关系的分析建模问题的方法。使用芬兰和德国的两个数据集进行实证分析，证明了 MCReSANet 能够建立准确的非线性映射，并且相较于 CNN 和 MLP 模型，在降低 MAE 和模型不确定性方面实现了显著的改进。此外，通过特征重要性分析，揭示了谐波电压和电流在分布系统中各阶谐波之间的详细关系，以及不同负载类型对谐波电流排放的影响模式，从而增强了对分布系统中不同 PE 负载引起的谐波电流排放的理解和预测能力，为优化不同电网环境下的电能质量提供了更有效的管理手段。

Nov, 2023

为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

Jun, 2022

本论文研究了使用图神经网络方法对历史电力系统数据进行训练，以预测电量流计算结果。通过在测试系统上的结果表明，使用所提出的图神经网络电量流模型可以比传统的直流（DC）功量流方法和深度神经网络（DNN）模型以及卷积神经网络（CNN）模型得到更准确有效的数据处理方案。

Jul, 2023

本文提出了一种新的范式 Grid Mind，使用深度强化学习进行自主电网运行控制。 通过与大规模离线模拟的交互，所提出的人工智能代理可以学习其控制策略，并适应包括负荷 / 发电变化以及拓扑变化在内的新变化，然后在 IEEE 14 总线系统上进行了测试，并展示了在运用自主电压控制进行安全电网运行方面的良好表现。

Apr, 2019