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

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

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

交流最佳功率流问题是电网规划和运行的高效且安全的关键。最近关于基于数据驱动的交流最佳功率流问题解决方法的研究表明，与传统解算器相比，其潜在的速度提升巨大。然而，目前尚无大规模开放数据集可供该问题使用。我们提供了迄今最大规模的可用解决交流最佳功率流问题的收集。这一收集比现有的可用数据集大数个数量级，可用于训练高容量的数据驱动模型。独特之处在于它包括拓扑扰动 - 这是在实际电网操作中的一个关键要求。我们希望这一资源将推动社区将研究拓展到具有可变拓扑的更大网格规模。

Jun, 2024

利用深度神经网络构建 “DeepOPF” 模型，解决直流电力最优潮流问题；通过统一采样和降低数据维度等方式，模型速度较传统方法快两个数量级，并保证解的可行性。

May, 2019

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