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

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

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

提出了 DeepOPF-U 模型，利用统一的深度神经网络来解决不同拓扑结构和日益增长的分布式能源资源条件下的交流最优潮流问题，通过弹性输入和输出层，处理不同网络中具有不同长度的负荷和最优潮流解向量。通过对 IEEE 57/118/300 总线测试系统以及从 73 到 118 总线扩展的网络进行仿真验证，证实 DeepOPF-U 模型相较于现有的基于深度神经网络的解决方案具有更好的性能。

Sep, 2023

本文提出了一种基于神经网络的方法来解决电力网络的最优潮流问题，并通过智能的初始解决方案及其他输出的指导，使得模型产生更快的收敛速度并保持最终解的最优性，计算结果显示在不失最终解最优性的前提下，Smart-PGSim 取得了平均 49.2%（最高可达 91%）的性能提升。

Aug, 2020

我们研究了图神经网络在电力网络运行决策算法（最优潮流（OPF）和安全约束单位分配（SCUC））中作为代理的实用性，以实现对运行风险的严格量化。我们的结果表明，GNN 能够快速准确地预测量化感兴趣的量，并且因此可以成为 OPF 和 SCUC 的良好代理模型。GNN 基于可靠性和风险评估的出色准确性进一步表明，GNN 代理具有在实时和提前几小时的风险量化中应用的潜力。

Nov, 2023

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

本文提出一种基于树形结构图模型和区间离散化的近似算法，使用约束规划技术和自适应边界传播算法，能够解决优化问题，适用于任意分配网络和混合整数优化问题，可在智能电网应用中使用，实现分布式消息传递方式，具有良好的可伸缩性和实际效用。

Jun, 2016

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