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

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

评估了Learning to Run a Power Network竞赛中Binbinchen代理的表现，并提供了改进策略，其中最主要的是N-1策略，这种策略可使得电网保持稳定性，同时提高了规则代理的性能达到了27%。

Apr, 2023

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

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

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

借助基础模型（FMs）在电力网络中的应用潜力，我们提出并阐述了基于图神经网络的GridFM概念以及其对于电力网络中不同下游任务的益处，强调了FMs在复杂性和不确定性管理方面利用人工智能重新定义电力网络的能力。

Jul, 2024