本文介绍了使用自适应神经模糊推理系统 (ANFIS) 来预测组合循环发电厂中的电力生成情况。该模型使用 MATLAB 中的混合算法来训练网络，最终使用三个输入参数来成功预测发电量，并且比现有工具箱快得多。

Oct, 2022

本研究探讨了在大气湍流环境下，自适应功率束传输系统中的光纤阵列激光器的最优化。相较于传统的随机并行梯度下降（SPGD）算法，本研究通过 DNN 深度神经网络控制系统，综合利用目标平面的光伏阵列传感器数据，优化了传输系统性能。最终的实验结果验证了理论分析。

Apr, 2022

学习型神经网络控制策略在机器人学和控制领域的广泛任务中显示出令人印象深刻的实证性能，然而，对于具有非线性动力系统的神经网络控制器而言，关于吸引域（ROA）内的 Lyapunov 稳定性保证是具有挑战性的，并且现有的大多数方法都依赖于昂贵的求解器，例如 SOS、MIP 或 SMT。本文提出了一种新的框架，利用快速经验性推翻和战略正则化来学习具有 Lyapunov 证明的 NN 控制器。

Apr, 2024

利用新型神经网络模型预测占用者的热舒适状态，分别应用了 Bayesian Gaussian Process Optimization (BGPO) 和 Augmented Firefly Algorithm (AFA) 优化算法来平衡空调系统的能效和占用者的热舒适感，实验结果表明，在样本数量一定时，AFA 算法比 BGPO 算法更稳定，并且在能效用户偏好条件下，BGPO 和 AFA 的最佳节能率分别为 -21％ 和 -10％，可在新加坡实验室节约 S$1219.1。

Apr, 2022

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

本研究提出了一种基于深度强化学习的算法来协调多个智能逆变器，以更有效地利用逆变器反应功率来满足电网电压的操作限制，该算法能够通过与海量离线模拟的交互来学习其策略，并适应负载和太阳能变化。在 IEEE 37 节点系统上，训练良好的 DRL 代理可智能地协调不同的 SI，以维持电网电压在允许范围内，实现减少 PV 生产限制和降低系统损失的目标。

Oct, 2019

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

本文介绍一种基于机器学习的拓扑优化代理和重新派遣优化器的拥堵管理方法，该方法在 L2RPN 2022 竞赛中排名第一，并将其应用于实际电力网操作中，证明了其效益和局限性，为明天的电网部署 RL 代理铺平了道路。

Feb, 2023

研究上传和下载调度和功率分配的联合问题，通过机器学习和高斯过程回归预测丢失的状态和操作信息，以最小化平均信息新鲜度和传输功率，并利用 Lyapunov drift-plus-penalty 优化框架提出动态控制算法。

Jan, 2021

本文提出了一种用于分布式电网电压调节的最优化神经网络方法，通过训练一个特定设计的模型，实现输入功率注入和电压之间的映射，并在电压调节阶段计算最优的无功功率注入，最后在多个测试系统上进行数值模拟来展示此算法的操作性。

Feb, 2020