本文提出了一种基于学习方法的情景式两阶段随机直流最优潮流问题的解决方案，利用 gauge map 技术来解决现有方法无法实现的输出可行解的问题，并在标准 IEEE 系统上进行了模拟实验来证明其比现有方法更为高效。

Apr, 2023

本文介绍了用于检验大规模机器学习模型的计算工具，重点解决了其应用到电力系统问题时出现的困难；作者提出了一种方法可同时验证多个验证问题，并使用双重化程序将线性等式和不等式约束编码到检验问题中。

Jun, 2023

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

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

通过采用多智能体协调、神经网络近似优化及简化后处理等技术，本文提出了一种名为 LOOP-MAC 的多智能体协调方法，用于分布式能源资源的虚拟电厂协调，实验证明该方法在加速优化迭代和减少收敛时间方面更优于传统的集中式和分布式优化方法。

Oct, 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

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

本文提出了一种利用深度强化学习解决分布式电网拥塞问题的新型端到端方法，该方法可以在低电压网格中进行决策，确保拥塞 - free 的电网运行。

May, 2024