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
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。
Sep, 2019
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
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
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
研究机器学习方法来优化传输网络中的电力发电，给出了 ACOPF 的两种公式以及分别采用的解决方法：直接预测最佳发电机设置和预测最佳解决方案中的现行限制集合，两种方法在两个基准网格上进行了验证。
Oct, 2019
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。
该论文介绍了一种可扩展的算法，用于计算神经网络近似大型电力系统的最坏情况违规，并在合理的时间限制内构建对机器学习模型在大型工业规模电力网络中部署的信任。
May, 2024
DeepOPF 是一种基于深度学习神经网络的电力系统优化算法，适用于直流安全约束最优潮流问题 (SC-DCOPF)，能够通过学习映射函数预测发电量并重构相位角，并通过后处理过程保证解的可行性，相比最先进的求解器，计算时间快 2 倍以上，同时仅有不到 0.2% 的最优性损失。