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

本文研究了面对日益增加的可再生能源不确定性的情况下，最优潮流问题的控制策略，提出了一种基于组合控制策略的方法来跟踪最优设定点，在很少的基础上使用统计学习方法进行学习来获得高效的控制策略。

Jan, 2018

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

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

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

提出了一种新颖的机器学习方法，用于预测 AC-OPF 解决方案，该方法具有快速可扩展的培训，通过电力网络的空间分解来学习预测区域的机器学习模型，实验结果证明了该方法的潜力和优越性。

Jan, 2021

提出了一个实时的、具有不确定性感知的能源调度框架，由深度学习预测和随机优化等关键要素组成，旨在解决分布式能源资源聚合对电力系统带来的不确定性问题，实现最优和鲁棒的调度解决方案，并在智能建筑能源管理领域进行了全面实验证明。

Sep, 2023

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