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

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

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

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

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

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

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

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

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