近日，IEEE Power and Energy Society（電氣與電子工程師協(xié)會電力和能源學(xué)會，簡稱IEEE PES）發(fā)布了2022年度IEEE Transactions on Power Systems（《IEEE電力系統(tǒng)匯刊》）最佳論文評選結(jié)果。電力系統(tǒng)及其自動化系雷星雨博士后（第一作者）、楊知方教授（通訊作者）、余娟教授等發(fā)表的論文《Data-Driven Optimal Power Flow: A Physics-Informed Machine Learning Approach》獲評最佳論文，論文合作者為康涅狄格大學(xué)趙俊博助理教授等。
《IEEE電力系統(tǒng)匯刊》是電力系統(tǒng)分析領(lǐng)域頂尖學(xué)術(shù)期刊，具有重要的行業(yè)影響力。本次最佳論文評選范圍包括《IEEE電力系統(tǒng)匯刊》過去三年發(fā)表的所有論文（共1400余篇），共評選五篇，入選率低于千分之四。
該論文針對現(xiàn)有數(shù)據(jù)驅(qū)動最優(yōu)潮流計算方法因超參數(shù)調(diào)試配合困難導(dǎo)致適用性低的問題，采用結(jié)構(gòu)簡單、調(diào)參量較少的機(jī)器學(xué)習(xí)工具，提出了一種物理信息引導(dǎo)的數(shù)據(jù)驅(qū)動最優(yōu)潮流計算方法。論文首先構(gòu)建了一種基于最優(yōu)潮流物理特征拆解的數(shù)據(jù)驅(qū)動學(xué)習(xí)框架，將最優(yōu)潮流問題分為三個階段學(xué)習(xí)，簡化了最優(yōu)潮流問題的學(xué)習(xí)難度，提高了數(shù)據(jù)驅(qū)動最優(yōu)潮流計算精度。在此基礎(chǔ)上，論文提出了一種基于臨界域分割的最優(yōu)潮流樣本預(yù)分類策略，通過對具有相同或相似起作用約束的樣本進(jìn)行預(yù)分類，簡化最優(yōu)潮流輸入與輸出間的復(fù)雜映射關(guān)系。
該論文自2021年正式發(fā)表以來，在Web of Science中一共被引用37次，Google Scholar（谷歌學(xué)術(shù)）中被引用66次，是《IEEE電力系統(tǒng)匯刊》的熱門論文（Popular papers）。
論文原文鏈接
Data-Driven Optimal Power Flow: A Physics-Informed Machine Learning Approach
https://ieeexplore.ieee.org/abstract/document/9115822
報道原文鏈接：
https://cmte.ieee.org/tpwrs/tpwrs-best-papers/
