本文提出了一个基于强化学习的 L2RPN 挑战，在 Grid2Op 框架下演示了两个重要问题。该框架包括现有的非线性物理电力网络模拟器和 GridAlive 环境。通过该竞赛，我们期望促进更可持续的电网运行解决方案的研究。

Mar, 2021

为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的GNN在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

Jun, 2022

提出了基于功率线通信(PLC)基础设施测量的两个数据集，主要研究低压配电网络的使用案例，包括资产管理、电网状态可视化、预测性维护和新颖性检测等多个方面，强调了机器学习在现实数据中实现对电力网的提取和应用的潜力。

Sep, 2022

本文研究了在电力系统中采用基于图卷积网络和超结构表示学习框架的人工智能工具，以提高分布式电网规划的计算效率和预测准确性。结果发现，这种超结构图卷积神经网络对比当前方法和其他七种深度学习模型更优。

Nov, 2022

本文提出一种解释性机器学习方法，利用基于Koopman算子的数据驱动方法识别负载动态，将其分解为相干的时空模式，并根据其单一频率独立演化，特别是那些具有同步动态的电站。结果表明，这种基于Koopman算子的方法在精度和计算效率方面优于深度学习方法（LSTM）。

Apr, 2023

探讨大型基础模型如何在电力系统中发挥潜力，通过验证其在电力系统领域的四个代表性任务（包括最优功率流、电动汽车调度、电力工程技术报告的知识检索和情景感知）上的表现，证明基础模型在提升电力系统操作流程的效率和可靠性方面具有强大的能力，并提供了关于将基础模型在电力系统应用中的未来部署的建议和展望。

Dec, 2023

训练一种深度学习系统（CANOS）来预测近似最优解（与真实的AC-OPF成本相差不超过1%），同时不牺牲速度，并在包含多达10,000个母线的实际电网规模上获得有希望的实证结果。因为CANOS是一个图神经网络，它对拓扑变化具有鲁棒性，为更复杂的OPF问题的优化铺平了道路，这些问题会改变电网连通性，如机组组合、拓扑优化和受约束的安全性OPF。

Mar, 2024

利用深度学习方法以解决传统方法在电网应用中的灵活性不足所带来的可再生能源和分布式电力生成带来的挑战的文章中，重点分析了图神经网络在电力网中捕捉图结构以提高表示学习和决策制定能力的能力，同时探讨了强化学习与图神经网络之间的协同作用，尤其将GRL用于自动化电网管理、拓扑控制和电压调节等应用。然而，尽管GRL在面对不可预测事件、噪声或不完整数据时显示出适应性，但目前它主要是一个概念验证。在实际电力系统运行中，仍然需要解决许多开放性挑战和限制问题。

Jul, 2024

本研究解决了在电力系统中，电能时间序列数据（ETS）建模过程中的通用表示学习难题。提出的PowerPM基础模型通过 temporal encoder 和 hierarchical encoder，有效捕捉ETS数据的时间依赖性及其层次间关联，并运用新的自监督预训练框架，实现了在多种下游任务中显著提高性能，展现了强大的泛化能力。

Aug, 2024

本研究解决了传统电网规划与运营中存在的复杂性和不确定性，特别是在与可再生能源集成方面的挑战。论文提出利用人工智能基础模型和图神经网络，从有限的电网数据中提取有效信息，进而提升电网的运营效率。研究表明，该方法能够有效缩小行业需求与现有电网分析能力间的差距，为实现电网的最佳运营和规划提供支持。

Sep, 2024