人工智能在电力系统运行模拟加速中的应用综述

陈艺璇; 王嘉阳; 卓映君; 卢斯煜; 周保荣

doi:10.12096/j.2096-4528.pgt.25071

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

人工智能在电力系统运行模拟加速中的应用综述

AI在新型电力系统中的应用 | 更新时间：2026-06-29

- 人工智能在电力系统运行模拟加速中的应用综述
- Review of Artificial Intelligence Applications in Accelerating Operational Simulation of Power Systems
- 发电技术 2025年46卷第3期页码：467-481
- 作者机构：
  
  1.南方电网科学研究院有限责任公司，广东省广州市 510663
  2.直流输电技术全国重点实验室，广东省广州市 510663
- 作者简介：
  
  陈艺璇(1994)，女，博士，研究员，研究方向为AI在电力系统运行和规划中的应用，以及多目标优化，chenyx7@csg.cn；
  王嘉阳(1988)，男，博士，高级工程师，研究方向为电力系统运行模拟、水电系统优化调度，jiayang_wang@163.com；
  卓映君(1996)，女，硕士，研究员，研究方向为新能源电力系统规划、电力系统调度优化，zhuoyj@csg.cn；
  卢斯煜(1987)，男，博士，教授级高级工程师，研究方向为新能源电力系统规划、电力系统调度优化、新能源功率预测，lusy@csg.cn；
  周保荣(1974)，男，博士，教授级高级工程师，研究方向为新能源电力系统规划、电力系统调度优化、新能源功率预测，zhoubr@csg.cn。
- 基金信息：
  
  国家自然科学基金项目(U22B6007);南方电网公司科技项目(ZBKJXM20240140)
- DOI：10.12096/j.2096-4528.pgt.25071
  中图分类号： TK 01;TP 18
- 收稿：2025-02-05，
  
  修回：2025-05-01，
  
  纸质出版：2025-06-30
- 稿件说明：
移动端阅览
陈艺璇,王嘉阳,卓映君等.人工智能在电力系统运行模拟加速中的应用综述[J].发电技术,2025,46(03):467-481.

CHEN Yixuan,WANG Jiayang,ZHUO Yingjun,et al.Review of Artificial Intelligence Applications in Accelerating Operational Simulation of Power Systems[J].Power Generation Technology,2025,46(03):467-481.
陈艺璇,王嘉阳,卓映君等.人工智能在电力系统运行模拟加速中的应用综述[J].发电技术,2025,46(03):467-481. DOI： 10.12096/j.2096-4528.pgt.25071.

CHEN Yixuan,WANG Jiayang,ZHUO Yingjun,et al.Review of Artificial Intelligence Applications in Accelerating Operational Simulation of Power Systems[J].Power Generation Technology,2025,46(03):467-481. DOI： 10.12096/j.2096-4528.pgt.25071.

摘要

目的

随着新能源渗透率不断攀升，亟需通过精细化的时序运行模拟进行电力电量平衡分析、规划方案设计及市场机制评估。然而，由于新能源的随机性、波动性，以及电网规模的不断扩大，运行模拟面临着计算速度与精度难以兼顾的困境，而人工智能(artificial intelligence，AI)因其强大的表征、泛化及自学习能力，为解决当前难题提供了新的工具和思路。为此，系统性地分析了AI在电力系统运行模拟加速中应用的现状和必要性，并对未来发展进行了展望。

方法

首先，从数学角度将加速方法的思路划分为场景聚类、机组聚合、约束缩减及算法加速；其次，深入分析了各个方向上AI 应用的必要性，回答了“为什么需要AI”这一关键问题；然后，系统性地总结了AI应用于运行模拟加速的现状及优势；最后，给出了AI在电力系统中的应用场景建议及未来展望。

结论

AI可以在多个方面为运行模拟加速提供有效支持，尤其是在处理非线性关联关系、替代专家经验、刻画模糊规则时展现出显著优势。

Abstract

Objectives

With the rising penetration of renewable energy

it is imperative to conduct power and energy balance analysis

design planning schemes

and evaluate market mechanisms through detailed time-series operational simulation. However

due to the randomness and volatility of renewable energy and the continuous expansion of power grid

operational simulation faces challenges in balancing computational speed and accuracy. Artificial intelligence (AI)

with its exceptional abilities in representation

generalization

and self-learning

provides new solutions to the current challenges. Therefore

the current status and necessity of the application of AI in accelerating the operational simulation of power systems are systematically analyzed

and the future development is prospected.

Methods

First

from a mathematical perspective

the concepts of acceleration methods are classified into scenario aggregation

unit aggregation

constraint reduction

and algorithm acceleration. Second

the necessity of applying AI across different aspects is thoroughly analyzed

addressing the crucial question of “why AI is needed”. Then

current AI applications in accelerating operational simulation and their advantages are systematically summarized. Finally

recommended AI application scenarios in power systems and future prospects are presented.

Conclusions

AI can provide effective support for accelerating operational simulation from multiple aspects. It shows particular strengths in handling non-linear correlations

substituting expert experience

and characterizing fuzzy rules.

关键词

Keywords

references

《新型电力系统发展蓝皮书》编委组．新型电力系统发展蓝皮书 [M ] ．北京：中国电力出版社， 2023 ： 1 - 24 ．

Editorial Group ． New power system development blue book [M ] ． Beijing ： China Electric Power Press ， 2023 ： 1 - 24 ．

李希德，张艳，曹阳，等．基于精细化模拟的电力系统电力电量平衡研究 [J ] ．智慧电力， 2024 ， 52 ( 10 )： 70 - 78 ．

LI X D ， ZHANG Y ， CAO Y ， et al ． Power and energy balance method for power system based on refined simulation [J ] ． Smart Power ， 2024 ， 52 ( 10 )： 70 - 78 ．

刘与铮，丁涛，肖杨，等．基于拉格朗日松弛及子问题解耦动态规划的周机组组合快速求解方法 [J/OL ] ．电力自动化设备， 1 - 14 [ 2025-05-29 ] ． https://doi.org/10.16081/j.epae.202503009 https://doi.org/10.16081/j.epae.202503009 ．

LIU H B ， DING T ， XIAO Y ， et al ． Fast solving method for weekly unit commitment based on Lagrangian relaxation and subproblem decoupling dynamic programming [J/OL ] ． Electric Power Automation Equipment ， 1 - 14 [ 2025-05-29 ] ． https://doi.org/10.16081/j.epae.202503009 https://doi.org/10.16081/j.epae.202503009 ．

杨钤，王建学，杨续松，等．电力电量平衡分析及其加速求解技术的发展、应用与展望 [J ] ．电网技术， 2024 ， 48 ( 2 )： 760 - 778 ．

YANG Q ， WANG J X ， YANG X S ， et al ． Development，application and prospect of power and energy balance analysis and its speedup computation technologies [J ] ． Power System Technology ， 2024 ， 48 ( 2 )： 760 - 778 ．

刘洪波，刘珅诚，盖雪扬，等．高比例新能源接入的主动配电网规划综述 [J ] ．发电技术， 2024 ， 45 ( 1 )： 151 - 161 ． doi: 10.12096/j.2096-4528.pgt.22106 http://dx.doi.org/10.12096/j.2096-4528.pgt.22106

LIU H B ， LIU S C ， GAI X Y ， et al ． Overview of active distribution network planning with high proportion of new energy access [J ] ． Power Generation Technology ， 2024 ， 45 ( 1 )： 151 - 161 ． doi: 10.12096/j.2096-4528.pgt.22106 http://dx.doi.org/10.12096/j.2096-4528.pgt.22106

黄河，王建学，肖云鹏，等．新型电力系统电力电量平衡分析关键技术与研究框架 [J ] ．电力建设， 2024 ， 45 ( 9 )： 1 - 12 ． doi: 10.12204/j.issn.1000-7229.2024.09.001 http://dx.doi.org/10.12204/j.issn.1000-7229.2024.09.001

HUANG H ， WANG J X ， XIAO Y P ， et al ． Key technologies and research framework for the power and energy balance analysis in new-type power systems [J ] ． Electric Power Construction ， 2024 ， 45 ( 9 )： 1 - 12 ． doi: 10.12204/j.issn.1000-7229.2024.09.001 http://dx.doi.org/10.12204/j.issn.1000-7229.2024.09.001

臧延雪，边晓燕，梁思琪，等．计及线路传输能力的新能源电力系统灵活性评估及优化调度方法 [J ] ．电力系统保护与控制， 2023 ， 51 ( 11 )： 15 - 26 ．

ZANG Y X ， BIAN X Y ， LIANG S Q ， et al ． Flexibility evaluation and optimal dispatching method of a renewable energy power system considering line transmission capacity [J ] ． Power System Protection and Control ， 2023 ， 51 ( 11 )： 15 - 26 ．

张帆，张真，鲜文军，等．青海电网新能源多尺度消纳规律及归因分析 [J ] ．电网与清洁能源， 2024 ， 40 ( 4 )： 143 - 149 ． doi: 10.3969/j.issn.1674-3814.2024.04.017 http://dx.doi.org/10.3969/j.issn.1674-3814.2024.04.017

ZHANG F ， ZHANG Z ， XIAN W J ， et al ． A study on the multi-scale consumption rule of new energy in Qinghai power grid and its attribution analysis [J ] ． Power System and Clean Energy ， 2024 ， 40 ( 4 )： 143 - 149 ． doi: 10.3969/j.issn.1674-3814.2024.04.017 http://dx.doi.org/10.3969/j.issn.1674-3814.2024.04.017

章雪萌，孟祥娟，毛福斌，等．考虑多时间尺度的新能源特性对地区电网的影响评估 [J ] ．南方能源建设， 2023 ， 10 ( 5 )： 166 - 173 ．

ZHANG X M ， MENG X J ， MAO F B ， et al ． Impact assessment of new energy characteristics on regional power grid considering multiple time scales [J ] ． Southern Energy Construction ， 2023 ， 10 ( 5 )： 166 - 173 ．

张玮，白恺，鲁宗相，等．特大型新能源基地面临挑战及未来形态演化分析 [J ] ．全球能源互联网， 2023 ， 6 ( 1 )： 10 - 25 ．

ZHANG W ， BAI K ， LU Z X ， et al ． Analysis of the challenges and future morphological evolution of super large-scale renewable energy base [J ] ． Journal of Global Energy Interconnection ， 2023 ， 6 ( 1 )： 10 - 25 ．

汪际峰，李鹏，梁锦照，等．电力系统数字化历程与发展趋势 [J ] ．南方电网技术， 2021 ， 15 ( 11 )： 1 - 8 ． doi: 10.13648/j.cnki.issn1674-0629.2021.11.001 http://dx.doi.org/10.13648/j.cnki.issn1674-0629.2021.11.001

WANG J F ， LI P ， LIANG J Z ， et al ． Development history and trends of power system digitalization [J ] ． Southern Power System Technology ， 2021 ， 15 ( 11 )： 1 - 8 ． doi: 10.13648/j.cnki.issn1674-0629.2021.11.001 http://dx.doi.org/10.13648/j.cnki.issn1674-0629.2021.11.001

王翔宇，陈武晖，郭小龙，等．发电系统数字化研究综述 [J ] ．发电技术， 2024 ， 45 ( 1 )： 120 - 141 ． doi: 10.12096/j.2096-4528.pgt.23030 http://dx.doi.org/10.12096/j.2096-4528.pgt.23030

WANG X Y ， CHEN W H ， GUO X L ， et al ． Review of research on the digitalization of power generation system [J ] ． Power Generation Technology ， 2024 ， 45 ( 1 )： 120 - 141 ． doi: 10.12096/j.2096-4528.pgt.23030 http://dx.doi.org/10.12096/j.2096-4528.pgt.23030

赵日晓，闫冬，周翔，等．人工智能支撑新型电力系统能源供给及消纳 [J ] ．全球能源互联网， 2023 ， 6 ( 2 )： 186 - 195 ．

ZHAO R X ， YAN D ， ZHOU X ， et al ． Artificial intelligence supports energy supply and consumption in new power system [J ] ． Journal of Global Energy Interconnection ， 2023 ， 6 ( 2 )： 186 - 195 ．

陈羽飞，赵琦，何永君，等．人工智能在电力系统中的应用综述 [J ] ．分布式能源， 2023 ， 8 ( 6 )： 49 - 57 ．

CHEN Y F ， ZHAO Q ， HE Y J ， et al ． An overview of the application of artificial intelligence in power systems [J ] ． Distributed Energy ， 2023 ， 8 ( 6 )： 49 - 57 ．

陶思钰，江福庆．集群化发展模式下风电场预测、规划及控制关键技术综述 [J ] ．电力工程技术， 2024 ， 43 ( 1 )： 86 - 99 ．

TAO S Y ， JIANG F Q ． Review of the key technologies of wind farm cluster prediction，planning and control [J ] ． Electric Power Engineering Technology ， 2024 ， 43 ( 1 )： 86 - 99 ．

王继业，赵俊华．基于人工智能技术的新型电力系统优化运行与控制 [J ] ．全球能源互联网， 2023 ， 6 ( 3 )： 238 - 239 ．

WANG J Y ， ZHAO J H ． Optimal operation and control of new power system based on artificial intelligence technology [J ] ． Journal of Global Energy Interconnection ， 2023 ， 6 ( 3 )： 238 - 239 ．

霍龙，张誉宝，陈欣．人工智能在分布式储能技术中的应用 [J ] ．发电技术， 2022 ， 43 ( 5 )： 707 - 717 ． doi: 10.12096/j.2096-4528.pgt.22109 http://dx.doi.org/10.12096/j.2096-4528.pgt.22109

HUO L ， ZHANG Y B ， CHEN X ． Artificial intelligence applications in distributed energy storage technologies [J ] ． Power Generation Technology ， 2022 ， 43 ( 5 )： 707 - 717 ． doi: 10.12096/j.2096-4528.pgt.22109 http://dx.doi.org/10.12096/j.2096-4528.pgt.22109

朱永利，石鑫，王刘旺．人工智能在电力系统中应用的近期研究热点介绍 [J ] ．发电技术， 2018 ， 39 ( 3 )： 204 - 212 ． doi: 10.12096/j.2096-4528.pgt.2018.031 http://dx.doi.org/10.12096/j.2096-4528.pgt.2018.031

ZHU Y L ， SHI X ， WANG L W ． Recent research hotspot introduction on the application of artificial intelligence in power system [J ] ． Power Generation Technology ， 2018 ， 39 ( 3 )： 204 - 212 ． doi: 10.12096/j.2096-4528.pgt.2018.031 http://dx.doi.org/10.12096/j.2096-4528.pgt.2018.031

魏利屾，艾小猛，方家琨，等．面向新型电力系统的时序生产模拟应用与求解技术综述 [J ] ．电力系统自动化， 2024 ， 48 ( 6 )： 170 - 184 ．

WEI L S ， AI X M ， FANG J K ， et al ． Review on applications and solving techniques of time-series production simulation for new power system [J ] ． Automation of Electric Power Systems ， 2024 ， 48 ( 6 )： 170 - 184 ．

朱永利，尹金良．人工智能在电力系统中的应用研究与实践综述 [J ] ．发电技术， 2018 ， 39 ( 2 )： 106 - 111 ． doi: 10.12096/j.2096-4528.pgt.2018.017 http://dx.doi.org/10.12096/j.2096-4528.pgt.2018.017

ZHU Y L ， YIN J L ． Review of research and practice of artificial intelligence application in power systems [J ] ． Power Generation Technology ， 2018 ， 39 ( 2 )： 106 - 111 ． doi: 10.12096/j.2096-4528.pgt.2018.017 http://dx.doi.org/10.12096/j.2096-4528.pgt.2018.017

何伊慧，管霖，王彤，等．南方电网新型电力系统规划建设的量化评估与分析 [J ] ．南方电网技术， 2024 ， 18 ( 10 )： 40 - 53 ．

HE Y H ， GUAN L ， WANG T ， et al ． Quantitative evaluation and analysis of planning and construction of the new power system in China southern power grid [J ] ． Southern Power System Technology ， 2024 ， 18 ( 10 )： 40 - 53 ．

CHEN X Y ， LV J J ， MCELROY M B ， et al ． Power system capacity expansion under higher penetration of renewables considering flexibility constraints and low carbon policies [J ] ． IEEE Transactions on Power Systems ， 2018 ， 33 ( 6 )： 6240 - 6253 ． doi: 10.1109/tpwrs.2018.2827003 http://dx.doi.org/10.1109/tpwrs.2018.2827003

DU E S ， ZHANG N ， HODGE B M ， et al ． The role of concentrating solar power toward high renewable energy penetrated power systems [J ] ． IEEE Transactions on Power Systems ， 2018 ， 33 ( 6 )： 6630 - 6641 ． doi: 10.1109/tpwrs.2018.2834461 http://dx.doi.org/10.1109/tpwrs.2018.2834461

DVORKIN Y ， WANG Y S ， PANDZIC H ， et al ． Comparison of scenario reduction techniques for the stochastic unit commitment [C ] // 2014 IEEE PES General Meeting | Conference & Exposition ． National Harbor，MD，USA ： IEEE ， 2014 ： 1 - 5 ． doi: 10.1109/pesgm.2014.6939042 http://dx.doi.org/10.1109/pesgm.2014.6939042

SUN M ， TENG F ， KONSTANTELOS I ， et al ． An objective-based scenario selection method for transmission network expansion planning with multivariate stochasticity in load and renewable energy sources [J ] ． Energy ， 2018 ， 145 ： 871 - 885 ． doi: 10.1016/j.energy.2017.12.154 http://dx.doi.org/10.1016/j.energy.2017.12.154

FITIWI D Z ， DE CUADRA F ， OLMOS L ， et al ． A new approach of clustering operational states for power network expansion planning problems dealing with RES (renewable energy source) generation operational variability and uncertainty [J ] ． Energy ， 2015 ， 90 ： 1360 - 1376 ． doi: 10.1016/j.energy.2015.06.078 http://dx.doi.org/10.1016/j.energy.2015.06.078

PLOUSSARD Q ， OLMOS L ， RAMOS A ． An operational state aggregation technique for transmission expansion planning based on line benefits [J ] ． IEEE Transactions on Power Systems ， 2017 ， 32 ( 4 )： 2744 - 2755 ． doi: 10.1109/tpwrs.2016.2614368 http://dx.doi.org/10.1109/tpwrs.2016.2614368

CHEN Y X ． Energy system operation and planning with data analytics：toward a reliable，economic，and environmental-friendly future [D ] ． Hong Kong ： The University of Hong Kong． 2023 ．

PISTIKOPOULOS E N ， DIANGELAKIS N A ， OBERDIECK R ． Multi-parametric optimization and control [M ] ． New York ： John Wiley & Sons ， 2020 ： 19 - 106 ．

HUSH ． Classification with neural networks：a performance analysis [C ] // IEEE 1989 International Conference on Systems Engineering ． Fairborn，OH，USA ： IEEE ， 1989 ： 277 - 280 ． doi: 10.1109/ICSYSE.1989.48672 http://dx.doi.org/10.1109/ICSYSE.1989.48672

FÉRAUD R ， CLÉROT F ． A methodology to explain neural network classification [J ] ． Neural Networks ， 2002 ， 15 ( 2 )： 237 - 246 ． doi: 10.1016/s0893-6080(01)00127-7 http://dx.doi.org/10.1016/s0893-6080(01)00127-7

CERISOLA S ． Benders decomposition for mixed integer problems：application to a medium term hydrothermal coordination model [D ] ． Madrid，Spain ： Universidad Pontificia Comillas ， 2004 ．

PALMINTIER B S ， WEBSTER M D ． Heterogeneous unit clustering for efficient operational flexibility modeling [J ] ． IEEE Transactions on Power Systems ， 2014 ， 29 ( 3 )： 1089 - 1098 ． doi: 10.1109/tpwrs.2013.2293127 http://dx.doi.org/10.1109/tpwrs.2013.2293127

DU E S ， ZHANG N ， KANG C Q ， et al ． A high-efficiency network-constrained clustered unit commitment model for power system planning studies [J ] ． IEEE Transactions on Power Systems ， 2019 ， 34 ( 4 )： 2498 - 2508 ． doi: 10.1109/tpwrs.2018.2881512 http://dx.doi.org/10.1109/tpwrs.2018.2881512

MEUS J ， PONCELET K ， DELARUE E ． Applicability of a clustered unit commitment model in power system modeling [J ] ． IEEE Transactions on Power Systems ， 2018 ， 33 ( 2 )： 2195 - 2204 ． doi: 10.1109/tpwrs.2017.2736441 http://dx.doi.org/10.1109/tpwrs.2017.2736441

何小龙，高红均，黄媛，等．基于一维卷积和图神经网络的配电网故障区段定位方法 [J ] ．电力系统保护与控制， 2024 ， 52 ( 17 )： 27 - 39 ．

HE X L ， GAO H J ， HUANG Y ， et al ． Fault section location for a distribution network based on one-dimensional convolution and graph neural networks [J ] ． Power System Protection and Control ， 2024 ， 52 ( 17 )： 27 - 39 ．

郭创新，刘祝平，刘永刚，等．基于图神经网络和强化学习的电网风险态势感知 [J ] ．电网与清洁能源， 2023 ， 39 ( 12 )： 41 - 49 ．

GUO C X ， LIU Z P ， LIU Y G ， et al ． GNN and RL based power system risk situation perception [J ] ． Power System and Clean Energy ， 2023 ， 39 ( 12 )： 41 - 49 ．

曾泰元．考虑电压等级及社团分区的电网演化模型研究 [D ] ．湘潭：湘潭大学， 2019 ．

ZENG T Y ． Research on the power grid evolution model considering voltage levels and community partitioning [D ] ． Xiangtan ： Xiangtan University ， 2019 ．

丁明，韩平平．加权拓扑模型下的小世界电网脆弱性评估 [J ] ．中国电机工程学报， 2008 ， 28 ( 10 )： 20 - 25 ．

DING M ， HAN P P ． Vulnerability assessment to small-world power grid based on weighted topological model [J ] ． Proceedings of the CSEE ， 2008 ， 28 ( 10 )： 20 - 25 ．

ZHOU J Y ， LIU L ， WEI W Q ， et al ． Network representation learning：from preprocessing，feature extraction to node embedding [J ] ． ACM Computing Surveys ， 2023 ， 55 ( 2 )： 1 - 35 ． doi: 10.1145/3491206 http://dx.doi.org/10.1145/3491206

PEI H B ， WEI B Z ， CHANG K C ， et al ． Geom-GCN：geometric graph convolutional networks [EB/OL ] ．( 2020-02-13 )[ 2024-12-04 ] ． https://arxiv.org/abs/2002.05287v2 https://arxiv.org/abs/2002.05287v2 ．

张艺涵，杨萌，刘军会，等．基于时间图卷积网络的短期电力负荷时空预测方法 [J ] ．电网与清洁能源， 2024 ， 40 ( 12 )： 27 - 35 ．

ZHANG Y H ， YANG M ， LIU J H ， et al ． A short-term spatial-temporal power load forecasting method based on temporal graph convolution network [J ] ． Power System and Clean Energy ， 2024 ， 40 ( 12 )： 27 - 35 ．

谢宏，张华赢，梁晓锐，等．基于关系图卷积神经网络的新能源配电台区拓扑识别方法 [J ] ．电测与仪表， 2024 ， 61 ( 7 )： 94 - 102 ．

XIE H ， ZHANG H Y ， LIANG X R ， et al ． A topology identification method based on relational-graph convolutional network for distribution substation area with high renewables [J ] ． Electrical Measurement & Instrumentation ， 2024 ， 61 ( 7 )： 94 - 102 ．

杜东来，韩松，荣娜．基于时空图卷积网络和自注意机制的频率稳定性预测 [J ] ．电工技术学报， 2024 ， 39 ( 16 )： 4985 - 4995 ．

DU D L ， HAN S ， RONG N ． Frequency stability prediction method based on modified spatial temporal graph convolutional networks and self-attention [J ] ． Transactions of China Electrotechnical Society ， 2024 ， 39 ( 16 )： 4985 - 4995 ．

DING Y B ， WU H Y ， XU Z ， et al ． GraphSAGE-based probabilistic optimal power flow in distribution system [C ] // 2023 International Conference on Power System Technology (PowerCon) ． Jinan，China ： IEEE ， 2023 ： 1 - 5 ． doi: 10.1109/powercon58120.2023.10331518 http://dx.doi.org/10.1109/powercon58120.2023.10331518

VELIČKOVIĆ P ， CUCURULL G ， CASANOVA A ， et al ． Graph attention networks [EB/OL ] ．( 2017-10-30 )[ 2024-12-04 ] ． https://arxiv.org/abs/1710.10903v3 https://arxiv.org/abs/1710.10903v3 ． doi: 10.20944/preprints202309.0962.v1 http://dx.doi.org/10.20944/preprints202309.0962.v1

BERAHMAND K ， LI Y F ， XU Y ． A deep semi-supervised community detection based on point-wise mutual information [J ] ． IEEE Transactions on Computational Social Systems ， 2024 ， 11 ( 3 )： 3444 - 3456 ． doi: 10.1109/tcss.2023.3327810 http://dx.doi.org/10.1109/tcss.2023.3327810

ZHAN X H ， XIE J H ， LIU Z W ， et al ． Online deep clustering for unsupervised representation learning [C ] // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) ． Seattle，WA，USA ： IEEE ， 2020 ： 6687 - 6696 ． doi: 10.1109/cvpr42600.2020.00672 http://dx.doi.org/10.1109/cvpr42600.2020.00672

XIE J Y ， GIRSHICK R B ， FARHADI A ． Unsupervised deep embedding for clustering analysis [C ] // International Conference on Machine Learning ． New York，USA ： PMLR ， 2016 ： 478 - 487 ． doi: 10.1007/978-3-319-46493-0_51 http://dx.doi.org/10.1007/978-3-319-46493-0_51

LI P ， GAO J ， ZHANG J N ， et al ． Deep reinforcement clustering [J ] ． IEEE Transactions on Multimedia ， 2022 ， 25 ： 8183 - 8193 ． doi: 10.1109/tmm.2022.3233249 http://dx.doi.org/10.1109/tmm.2022.3233249

PAIM E C ， BAZZAN A L C ， CHIRA C ． Detecting communities in networks：a decentralized approach based on multiagent reinforcement learning [C ] // 2020 IEEE Symposium Series on Computational Intelligence (SSCI) ． Canberra，ACT，Australia ： IEEE ， 2020 ： 2225 - 2232 ． doi: 10.1109/ssci47803.2020.9308197 http://dx.doi.org/10.1109/ssci47803.2020.9308197

ARDAKANI A J ， BOUFFARD F ． Identification of umbrella constraints in DC-based security-constrained optimal power flow [J ] ． IEEE Transactions on Power Systems ， 2013 ， 28 ( 4 )： 3924 - 3934 ． doi: 10.1109/tpwrs.2013.2271980 http://dx.doi.org/10.1109/tpwrs.2013.2271980

CARON R J ， MCDONALD J F ， PONIC C M ． A degenerate extreme point strategy for the classification of linear constraints as redundant or necessary [J ] ． Journal of Optimization Theory and Applications ， 1989 ， 62 ( 2 )： 225 - 237 ． doi: 10.1007/bf00941055 http://dx.doi.org/10.1007/bf00941055

IOSLOVICH I ． Robust reduction of a class of large-scale linear programs [J ] ． SIAM Journal on Optimization ， 2001 ， 12 ( 1 )： 262 - 282 ． doi: 10.1137/s1052623497325454 http://dx.doi.org/10.1137/s1052623497325454

SUMATHI P ， PAULRAJ S ． Identification of redundant constraints in large scale linear programming problems with minimal computational effort [J ] ． Applied Mathematical Sciences ， 2013 ， 7 ： 3963 - 3974 ． doi: 10.12988/ams.2013.36325 http://dx.doi.org/10.12988/ams.2013.36325

MA Z M ， ZHONG H W ， CHENG T ， et al ． Redundant and nonbinding transmission constraints identification method combining physical and economic insights of unit commitment [J ] ． IEEE Transactions on Power Systems ， 2021 ， 36 ( 4 )： 3487 - 3495 ． doi: 10.1109/tpwrs.2020.3049001 http://dx.doi.org/10.1109/tpwrs.2020.3049001

JIMÉNEZ-CORDERO A ， MORALES J M ， PINEDA S ． Warm-starting constraint generation for mixed-integer optimization：a machine learning approach [J ] ． Knowledge-Based Systems ， 2022 ， 253 ： 109570 ． doi: 10.1016/j.knosys.2022.109570 http://dx.doi.org/10.1016/j.knosys.2022.109570

PINEDA S ， MORALES J M ， JIMÉNEZ-CORDERO A ． Data-driven screening of network constraints for unit commitment [J ] ． IEEE Transactions on Power Systems ， 2020 ， 35 ( 5 )： 3695 - 3705 ． doi: 10.1109/tpwrs.2020.2980212 http://dx.doi.org/10.1109/tpwrs.2020.2980212

HE X ， WEN H L ， ZHANG Y F ， et al ． Fast unit commitment constraint screening with learning-based cost model [C ] // 2024 IEEE International Conference on Communications，Control，and Computing Technologies for Smart Grids (SmartGridComm) ． Oslo，Norway ： IEEE ， 2024 ： 295 - 300 ． doi: 10.1109/smartgridcomm60555.2024.10738113 http://dx.doi.org/10.1109/smartgridcomm60555.2024.10738113

高倩，杨知方，李文沅，等．分支定界搜索信息深度引导的电-气互联系统调度决策加速求解方法 [J ] ．电工技术学报， 2024 ， 39 ( 13 )： 3990 - 4002 ．

GAO Q ， YANG Z F ， LI W Y ， et al ． Dispatch acceleration of integrated electricity and gas system using branch-and-bound search information [J ] ． Transactions of China Electrotechnical Society ， 2024 ， 39 ( 13 )： 3990 - 4002 ．

ACHTERBERG T ， KOCH T ， MARTIN A ． Branching rules revisited [J ] ． Operations Research Letters ， 2005 ， 33 ( 1 )： 42 - 54 ． doi: 10.1016/j.orl.2004.04.002 http://dx.doi.org/10.1016/j.orl.2004.04.002

ECKSTEIN J ， NEDIAK M ． Pivot，cut，and dive：a heuristic for 0-1 mixed integer programming [J ] ． Journal of Heuristics ， 2007 ， 13 ( 5 )： 471 - 503 ． doi: 10.1007/s10732-007-9021-7 http://dx.doi.org/10.1007/s10732-007-9021-7

NAIR V ， BARTUNOV S ， GIMENO F ， et al ． Solving mixed integer programs using neural networks [EB/OL ] ．( 2020-12-23 )[ 2024-12-04 ] ． https://arxiv.org/abs/2012.13349v3 https://arxiv.org/abs/2012.13349v3 ．

DING J Y ， ZHANG C ， SHEN L ， et al ． Accelerating primal solution findings for mixed integer programs based on solution prediction [J ] ． Proceedings of the AAAI Conference on Artificial Intelligence ， 2020 ， 34 ( 2 )： 1452 - 1459 ． doi: 10.1609/aaai.v34i02.5503 http://dx.doi.org/10.1609/aaai.v34i02.5503

XAVIER Á S ， QIU F ， AHMED S ． Learning to solve large-scale security-constrained unit commitment problems [J ] ． INFORMS Journal on Computing ， 2021 ： 33 ( 2 )．739-756．

ETHEVE M ， ALÈS Z ， BISSUEL C ， et al ． Reinforcement learning for variable selection in a branch and bound algorithm [C ] // Integration of Constraint Programming，Artificial Intelligence，and Operations Research ． Cham ： Springer International Publishing ， 2020 ： 176 - 185 ． doi: 10.1007/978-3-030-58942-4_12 http://dx.doi.org/10.1007/978-3-030-58942-4_12

TANG Y ， AGRAWAL S ， FAENZA Y ． Reinforcement learning for integer programming：learning to cut [C ] // International Conference on Machine Learning ． New York，USA ： PMLR ， 2020 ： 9367 - 9376 ．

浏览量

772

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于大语言模型的电力系统预测技术研究综述

电力系统智能计算的关键技术及应用展望

基于强化学习的新型电力系统优化策略应用综述

一种基于时序卷积网络-Transformer的海上风电功率预测方法

零碳地热能综合利用技术研究进展