功率流分析用于评估电力系统网络中的电流。功率流量计算用于确定系统的稳态变量，例如每个总线的电压幅度/相位角以及每个分支上的主动/无功流量。直流电流模型是一种流行的线性电流模型，广泛应用于电力行业。虽然它是快速且稳健的，但它可能导致一些关键传输线的线流量产生不准确的线流。可以通过利用历史网格配置文件的数据驱动方法部分地解决该缺陷。在本文中，训练了神经网络（NN）模型以预测使用历史电力系统数据来预测电力流量结果。虽然培训过程可能需要时间，但一旦训练，估计线流是非常快的。采用了所提出的基于NN的功率流模型和传统的直流电流模型之间的综合性能分析。可以得出结论，所提出的基于NN的电力流模型可以比直流电流模型快速更准确地找到解决方案。

OPF问题是为电力系统操作而制定和解决的，尤其是用于实时确定生成调度点。对于具有大量变量和约束的大型功率系统网络，以及时找到实时OPF的最佳解决方案需要大量的计算能力。本文提出了一种使用图神经网络（GNN）减少原始OPF问题中约束数量的新方法。 GNN是一种创新的机器学习模型，它利用从节点，边缘和网络拓扑的功能来最大程度地提高其性能。在本文中，我们提出了一个GNN模型，以预测哪种线将大量负载或充满给定的负载曲线和发电能力。仅在OPF问题中监视这些关键行，从而造成降低的OPF（ROPF）问题。预期从提出的ROPF模型中预计计算时间大量节省。还对GNN模型的预测进行了全面分析。结论是，GNN在ROPF中的应用能够减少计算时间，同时保留溶液质量。

Machine learning (ML) algorithms are remarkably good at approximating complex non-linear relationships. Most ML training processes, however, are designed to deliver ML tools with good average performance, but do not offer any guarantees about their worst-case estimation error. For safety-critical systems such as power systems, this places a major barrier for their adoption. So far, approaches could determine the worst-case violations of only trained ML algorithms. To the best of our knowledge, this is the first paper to introduce a neural network training procedure designed to achieve both a good average performance and minimum worst-case violations. Using the Optimal Power Flow (OPF) problem as a guiding application, our approach (i) introduces a framework that reduces the worst-case generation constraint violations during training, incorporating them as a differentiable optimization layer; and (ii) presents a neural network sequential learning architecture to significantly accelerate it. We demonstrate the proposed architecture on four different test systems ranging from 39 buses to 162 buses, for both AC-OPF and DC-OPF applications.

我们提出了一种基于图形神经网络（GNN）的端到端框架，以平衡通用网格中的功率流。优化被帧为监督的顶点回归任务，其中GNN培训以预测每个网格分支的电流和功率注入，从而产生功率流量平衡。通过将电网表示为与顶点的分支的线图，我们可以培训一个更准确和强大的GNN来改变底层拓扑。此外，通过使用专门的GNN层，我们能够构建一个非常深的架构，该架构占图表上的大街区，同时仅实现本地化操作。我们执行三个不同的实验来评估：i）使用深入GNN模型时使用本地化而不是全球运营的好处和趋势; ii）图形拓扑中对扰动的弹性;和iii）能力同时在多个网格拓扑上同时培训模型以及新的看不见网格的概括性的改进。拟议的框架是有效的，而且与基于深度学习的其他求解器相比，不仅对网格组件上的物理量而且对拓扑的物理量具有鲁棒性。

对意外突发事件的有效和及时的响应对于提高电网的恢复性至关重要。考虑到级联传播的快速，复杂过程，由于计算复杂性和通信延迟问题，难以在大型网络中获得校正动作，例如最佳负载脱落（OLS）。这项工作通过在通过离线神经网络（NN）培训下，通过在各种潜在的应变场景下构建负载脱落的最佳决策规则来提出创新的学习措施方法。值得注意的是，所提出的基于NN的OLS决策是完全分散的，使单独的负载中心能够使用易于获得的局部测量来快速地对特定的应变作出反应。IEEE 14总线系统的数值研究表明了我们可扩展的OLS设计的有效性，用于对严格的网格紧急事件进行实时响应。

可再生能源世代的高百分比渗透对电力系统引起了重大不确定性。它要求网格操作员更频繁地解决替代电流最佳功率流（AC-OPF）问题，以便在传输和分配网格中进行经济和可靠的操作。在本文中，我们开发了一种Deep神经网络（DNN）方法，称为DEEPOPF，用于在传统求解器使用的时间中解决AC-OPF问题。应用机器学习技术解决AC-OPF问题的关键困难在于确保获得的解决方案尊重平等和不平等的物理和操作约束。在[1]，[2]中概括了2阶段的过程，DEEPOPF首先训练DNN模型，以预测一组独立的操作变量，然后通过求解功率流方程直接计算剩余的可靠性变量。这种方法不仅保留了平衡平等的限制，而且还减少了DNN预测的变量数量，从而减少了所需的神经元和训练数据的数量。然后，DeePOPF在培训过程中采用零级梯度估计技术采用惩罚方法，以保留其余的不平等约束。作为另一个贡献，我们根据所需的近似精度来驱动调整DNN的大小的条件，该准确性测量了DNN的概括能力。它为使用DNN解决AC-OPF问题提供了理论上的理由。 IEEE 30/118/300-BU和合成2000总线测试用例的仿真结果表明，与最先进的求解器相比，DEEPOPF最多将计算时间速度高达两个数量级，费用为费用$ <$ <$ 0.1％的成本差异。

非线性状态估计（SE）的目的是根据电力系统中所有可用的测量值估算复杂的总线电压，通常使用迭代的高斯 - 纽顿方法来解决。在考虑来自相组量测量单元以及监督控制和数据采集系统的输入时，非线性SE会带来一些困难。这些包括数值不稳定性，收敛时间取决于迭代方法的起点以及单个迭代在状态变量数量方面的二次计算复杂性。本文在非线性功率系统SE的增强因子图上介绍了基于图形神经网络的原始SE实现，能够在分支机构和总线上进行测量，以及相法和遗留测量。提出的回归模型在一旦训练的推理时间内具有线性计算复杂性，并且有可能实现分布式。由于该方法是非词语且基于非矩阵的，因此它对高斯求解器容易出现的问题具有弹性。除了测试集的预测准确性外，提出的模型在模拟网络攻击和由于沟通不规则引起的不可观察的情况时表现出了鲁棒性。在这种情况下，预测错误在本地持续存在，对电力系统的其余结果没有影响。

预先完成的操作涉及一个复杂且计算密集的优化过程，以确定发电机的承诺时间表和调度。优化过程是一个混合企业线性程序（MILP），也称为安全受限的单位承诺（SCUC）。独立的系统操作员（ISO）每天运行SCUC，并需要最先进的算法来加快流程。可以利用历史信息中的现有模式来减少SCUC模型，这可以节省大量时间。在本文中，研究了基于机器学习（ML）的分类方法，即逻辑回归，神经网络，随机森林和K-Nearest邻居，以减少SCUC模型。然后，使用可行性层（FL）和后处理技术来帮助ML，以确保高质量的解决方案。提出的方法在多个测试系统上进行了验证，即IEEE 24总线系统，IEEE-73总线系统，IEEE 118总线系统，500个总线系统和波兰2383-BUS系统。此外，使用可再生生成的改良IEEE 24总线系统，证明了随机SCUC（SSCUC）的模型降低。仿真结果证明了高训练的准确性，以确定承诺时间表，而FL和后处理确保ML预测不会导致溶液质量损失最小的可行解决方案。

本文介绍了一个框架，以捕获先前棘手的优化约束，并通过使用神经网络将其转换为混合构成线性程序。我们编码以可拖动和顽固的约束为特征的优化问题的可行空间，例如微分方程，转到神经网络。利用神经网络的精确混合重新印象，我们解决了混合企业线性程序，该程序将解决方案准确地近似于最初棘手的非线性优化问题。我们将方法应用于交流最佳功率流问题（AC-OPF），其中直接包含动态安全性约束可使AC-OPF棘手。我们提出的方法具有比传统方法更明显的可扩展性。我们展示了考虑N-1安全性和小信号稳定性的电力系统操作方法，展示了如何有效地获得成本优势的解决方案，同时满足静态和动态安全性约束。

随着可再生于可再生能级的级别越来越多地对AC最佳功率流（AC OPF）进行数据驱动的方法的兴趣，以管理不确定性;然而，缺乏纪律的数据集创建和基准测试禁止在文献中的方法中进行了有用的比较。为了灌输置信度，模型必须能够可靠地预测跨各种操作条件的解决方案。本文开发了Julia和Python的OPF学习包，它使用计算上有效的方法来创建跨越AC OPF可行区域的广泛频谱的代表性数据集。负载配置文件从包含AC OPF可行集合的凸集均匀地采样。对于发现的每个不可行的点，通过使用宽松配方的性质，发现凸起的凸形集减少。该框架被示出为生成数据集，这些数据集更具代表性的整个可行性空间与文献中的传统技术，改善了机器学习模型性能。

能源部门的深度脱碳将需要大量的随机可再生能源渗透和大量的网格资产协调。对于面对这种变化而负责维持电网稳定性和安全性的电力系统运营商来说，这是一个具有挑战性的范式。凭借从复杂数据集中学习并提供有关快速时间尺度的预测解决方案的能力，机器学习（ML）得到了很好的选择，可以帮助克服这些挑战，因为在未来几十年中，电力系统转变。在这项工作中，我们概述了与构建可信赖的ML模型相关的五个关键挑战（数据集生成，数据预处理，模型培训，模型评估和模型嵌入），这些模型从基于物理的仿真数据中学习。然后，我们演示如何将单个模块连接在一起，每个模块都克服了各自的挑战，在机器学习管道中的顺序阶段，如何有助于提高训练过程的整体性能。特别是，我们实施了通过反馈连接学习管道的不同元素的方法，从而在模型培训，绩效评估和重新训练之间“关闭循环”。我们通过学习与拟议的北海风能中心系统的详细模型相关的N-1小信号稳定性边缘来证明该框架，其组成模块的有效性及其反馈连接。

Non-convex AC optimal power flow (AC-OPF) is a fundamental optimization problem in power system analysis. The computational complexity of conventional solvers is typically high and not suitable for large-scale networks in real-time operation. Hence, deep learning based approaches have gained intensive attention to conduct the time-consuming training process offline. Supervised learning methods may yield a feasible AC-OPF solution with a small optimality gap. However, they often need conventional solvers to generate the training dataset. This paper proposes an end-to-end unsupervised learning based framework for AC-OPF. We develop a deep neural network to output a partial set of decision variables while the remaining variables are recovered by solving AC power flow equations. The fast decoupled power flow solver is adopted to further reduce the computational time. In addition, we propose using a modified augmented Lagrangian function as the training loss. The multipliers are adjusted dynamically based on the degree of constraint violation. Extensive numerical test results corroborate the advantages of our proposed approach over some existing methods.

Unit commitment (UC) are essential tools to transmission system operators for finding the most economical and feasible generation schedules and dispatch signals. Constraint screening has been receiving attention as it holds the promise for reducing a number of inactive or redundant constraints in the UC problem, so that the solution process of large scale UC problem can be accelerated by considering the reduced optimization problem. Standard constraint screening approach relies on optimizing over load and generations to find binding line flow constraints, yet the screening is conservative with a large percentage of constraints still reserved for the UC problem. In this paper, we propose a novel machine learning (ML) model to predict the most economical costs given load inputs. Such ML model bridges the cost perspectives of UC decisions to the optimization-based constraint screening model, and can screen out higher proportion of operational constraints. We verify the proposed method's performance on both sample-aware and sample-agnostic setting, and illustrate the proposed scheme can further reduce the computation time on a variety of setup for UC problems.

Recent studies have demonstrated that smart grids are vulnerable to stealthy false data injection attacks (SFDIAs), as SFDIAs can bypass residual-based bad data detection mechanisms. The SFDIA detection has become one of the focuses of smart grid research. Methods based on deep learning technology have shown promising accuracy in the detection of SFDIAs. However, most existing methods rely on the temporal structure of a sequence of measurements but do not take account of the spatial structure between buses and transmission lines. To address this issue, we propose a spatiotemporal deep network, PowerFDNet, for the SFDIA detection in AC-model power grids. The PowerFDNet consists of two sub-architectures: spatial architecture (SA) and temporal architecture (TA). The SA is aimed at extracting representations of bus/line measurements and modeling the spatial structure based on their representations. The TA is aimed at modeling the temporal structure of a sequence of measurements. Therefore, the proposed PowerFDNet can effectively model the spatiotemporal structure of measurements. Case studies on the detection of SFDIAs on the benchmark smart grids show that the PowerFDNet achieved significant improvement compared with the state-of-the-art SFDIA detection methods. In addition, an IoT-oriented lightweight prototype of size 52 MB is implemented and tested for mobile devices, which demonstrates the potential applications on mobile devices. The trained model will be available at \textit{https://github.com/HubYZ/PowerFDNet}.

非凸AC-OPF问题的多个负载分解映射的存在对深神经网络（DNN）方案构成了根本挑战。由于训练数据集可能包含与不同负载分解映射相对应的数据点的混合物，因此DNN可能无法学习合法的映射并生成劣质解决方案。我们建议DeepOpf-al作为解决此问题的增强学习方法。这个想法是训练DNN，以学习从增强输入（即（负载，初始点））的唯一映射到由具有负载和初始点作为进气口的迭代OPF求解器生成的解决方案。然后，我们将学习的增强映射应用于求解AC-OPF问题的速度要快得多。与最近的DNN方案相比，IEEE测试案例的模拟结果表明，DeepOPF-AL可以明显地取得更好的最优性和相似的可行性和加速性能，具有相同的DNN大小却提高了训练的复杂性。

当前的能源转变促进了电力和天然气系统之间的运行融合。在这个方向上，改善协调能力和气体调度内的非凸天然气体流动动力学的建模至关重要。在这项工作中，我们提出了一种神经网络受限的优化方法，其中包括基于监督机器学习的韦茅斯方程的回归模型。 Weymouth方程将气体流动与每个管道的入口和出口压力通过二次平等，该二次相等性，该平等被神经网络捕获。后者是通过可处理的混合插入线性程序编码为约束集的。此外，我们提出的框架能够考虑双向性，而无需求助于复杂且可能不准确的凸化方法。我们通过引入激活函数的重新制定来进一步增强我们的模型，从而提高计算效率。一项基于现实生活中的比利时力量和气体系统的广泛数值研究表明，所提出的方法在准确性和障碍方面产生了有希望的结果。

电价是影响所有市场参与者决策的关键因素。准确的电价预测非常重要，并且由于各种因素，电价高度挥发性，电价也非常具有挑战性。本文提出了一项综合的长期经常性卷积网络（ILRCN）模型，以预测考虑到市场价格的大多数贡献属性的电力价格。所提出的ILRCN模型将卷积神经网络和长短期记忆（LSTM）算法的功能与所提出的新颖的条件纠错项相结合。组合的ILRCN模型可以识别输入数据内的线性和非线性行为。我们使用鄂尔顿批发市场价格数据以及负载型材，温度和其他因素来说明所提出的模型。使用平均绝对误差和准确性等性能/评估度量来验证所提出的ILRCN电价预测模型的性能。案例研究表明，与支持向量机（SVM）模型，完全连接的神经网络模型，LSTM模型和LRCN模型，所提出的ILRCN模型在电价预测中是准确和有效的电力价格预测。

由于负载和可再生能源的不确定性日益增长，对现代电网的安全和最佳运行产生了突出的挑战。随机最佳功率流（SOPF）制剂提供了一种通过计算在不确定性下保持可行性的派遣决策和控制政策来处理这些不确定性的机制。大多数SOPF配方考虑了简单的控制策略，例如数学上简单的仿射策略，类似于当前实践中使用的许多策略。通过机器学习（ML）算法的功效和一般控制政策的潜在好处的效果，我们提出了一个深度神经网络（DNN）基础的政策，该政策是实时预测发电机调度决策的不确定。使用解决SOPF的随机原始双重更新来学习DNN的权重，而无需先前一代训练标签，并且可以明确地解释SOPF中的可行性约束。 DNN政策对更简单的政策和它们在执行安全限制和产生附近的近最佳解决方案中的功效的优点在于机会在许多测试用例上受到限制的制定的情况下。

可再生能源资源（RERS）已越来越纳入现代电力系统，尤其是在大规模分配网络（DNS）中。在本文中，我们提出了一种深度加强学习（DRL）基础的方法来动态搜索最佳操作点，即最佳功率流（OPF），在具有高摄取RER的DNS中。考虑到由RERS引起的不确定性和电压波动问题，我们将OPF分为多目标优化（MOO）问题。为了解决MOO问题，我们开发了一种利用分发网络图形信息的新型DRL算法。具体而言，我们采用最先进的DRL算法，即深度确定性政策梯度（DDPG），以学习OPF的最佳策略。由于DN中的电力流重新分配是连续的过程，其中节点是在时间和空间视图中自相关和相互关联的，以充分利用DNS的图形信息，我们开发了一种基于多粒的关注的空间 - 时间图卷积用于空间颞曲线图信息提取的网络（MG-ASTGCN），为其顺序DDPG准备。我们在修改IEEE 33,69和118总线径向分布系统（RDS）中验证了基于DRL的基于DRL的方法，并显示了基于DRL的方法优于其他基准算法。我们的实验结果还揭示了MG-ASTGCN可以显着加速DDPG训练过程，并提高DDPG在重新分配OPF电流中的能力。所提出的基于DRL的方法还促进了节点故障存在下的DNS的稳定性，特别是对于大型DNS。

电池储能系统（BES）可以有效地减轻可变生成的不确定性。降解是不可预防的，难以建模，并且可以预测诸如最受欢迎的锂离子电池（LIB）等电池。在本文中，我们提出了一种数据驱动的方法，以预测给定的预定电池操作专业文件的蝙蝠降解。特别是，提出了基于神经网络的电池降解（NNBD）模型，以用主要电池降解因子的输入来量化电池降解。当将拟议的NNBD模型限制为微电网日期调度（MDS）时，我们可以建立基于电池降解的MDS（BDMDS）模型，该模型可以考虑在拟议的基于循环的电池用途（CBUP）（CBUP）（CBUP）（CBUP）的情况下准确地考虑等效的电池降解成本NNBD模型的方法。由于所提出的NNBD模型是高度非线性的，因此BDMD很难解决。为了解决这个问题，本文提出了一个神经网络和优化解耦启发式（NNODH）算法，以有效解决此神经网络嵌入式优化问题。仿真结果表明，所提出的NNODH算法能够以最低的总成本（包括正常运行成本和电池降解成本）遵守最佳解决方案。