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。

Oct, 2019

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

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

本研究针对交流最优潮流问题进行了基于机器学习的优化代理方法的探索，通过凸松弛和新型双重架构提供有效的对偶上下界，同时结合自监督学习策略，实现了高效和可扩展性的优化。

Oct, 2023

本文研究了如何训练机器学习模型直接逼近受约束优化问题的最优解，提出了一种新的自监督训练方法 Primal-Dual Learning（PDL），该方法不需要预先解决实例集合或优化程序来进行训练和推理，而是同时训练原始神经网络和对偶神经网络来模仿增广 Lagrangian 方法的轨迹，实验证明 PDL 在非线性优化基准测试中表现出极小的约束违规和微小的最优性差距，与 ALM 优化非常接近，并且在最优性差距、约束违规和训练时间方面表现出更好或相似的性能。

Aug, 2022

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

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

本文探讨了利用已有的 ACOPF 数据来预测未来问题的解决方案的方法，使用数据驱动建模的 Random Forest 算法并采用多目标学习方法预测未来问题的解，从而实现了快速求解 ACOPF 问题的智能预热初始点。

May, 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