교류 최적 전력 흐름 문제의 원추 완화 솔루션이 정확하기 위한 두 가지 동등한 사후 조건을 제시한다: 1) 전압 행렬이 rank-1이거나 2) 자기 일관성 있는 사이클이 존재하는 경우이다.
본 연구는 전력 시스템의 동적 재구성 문제를 해결하기 위해 물리 기반 그래프 신경망 프레임워크인 GraPhyR을 제안한다. GraPhyR은 스위치를 게이트로 모델링하고, 이산 결정을 신경망 내에 직접 포함시키며, 확장 가능한 지역 예측기를 사용하여 대규모 전력망에서 효율적으로 작동한다.
본 논문은 발전 문제의 불확실성 모델링을 위한 새로운 다중 결합 확률 제약 근사 방법을 제안한다. 이 방법은 기존의 조건부 가치 위험 근사 방법의 보수성과 잠재적 실행 불가능성 문제를 해결한다. 또한 이 방법은 다양한 자원에 대한 위험 수준을 개별적으로 제어할 수 있어 전력 시스템 응용에 적합하다.
AC 전력 흐름 방정식을 발전기 계획 모델에 포함하면 덜 정확한 전력 흐름 근사치로 인해 발생하는 비용이 많이 드는 시정 조치를 피할 수 있다. 그러나 AC 전력 흐름 제약이 있는 발전기 계획에 대한 연구는 상대적으로 작은 테스트 네트워크에 국한되어 왔다. 이 연구는 대규모 AC 발전기 계획 문제를 조사하고 산업 관련 규모에서 고품질 솔루션을 얻을 수 있는 분해 알고리즘을 개발한다.
사용자의 사적 정보를 알지 않아도 가격 신호를 통해 에너지 사용을 사회적으로 최적화할 수 있다.
전력 차단 결정을 내릴 때 사용하는 전력 흐름 모델의 선택이 계산 시간과 해결책 품질 간의 균형에 중요한 영향을 미친다.
본 논문은 AC 최적 전력 흐름 문제의 이중 원뿔 완화 문제에 대한 기계 학습 기반 프록시 모델을 제안한다. 이 모델은 유효한 이중 경계를 제공하여 최적성 보증을 제공할 수 있다.
강화학습을 활용하여 전력 최적 운전 문제를 해결할 때, 환경 설계가 학습 성능에 큰 영향을 미친다.
본 연구에서는 그래프 신경망 기반의 CANOS 모델을 제안하여 전력망 최적 전력 흐름 문제를 빠르고 정확하게 해결하며, N-1 장애에 대해 강인한 솔루션을 제공한다.
분산 최적화 알고리즘 ALADIN을 활용하여 지리적으로 분산된 환경에서 AC 최적 전력 흐름 문제를 효과적으로 해결하고, 데이터 프라이버시를 보장할 수 있는 방법을 제시한다.