标签
本文研究物理感知代理模型在交流最优功率流（ACOPF）中的缩放定律，证明了物理信息训练目标在规模上改善约束满足，并具有与标准损失函数不同的缩放率。
本文介绍了RestoreBench，这是一个基准测试，用于评估LLM代理在诊断和解决电力系统中非收敛潮流案例的能力，涵盖多种架构和测试案例。
PowerAtlas是一个LLM代理框架，用于在数据中心中联合调度电力和计算，确保电网可行性和任务SLA。通过与真实电力公司和包含2000个实例的新基准（ECBench）进行验证，它在多个开放权重LLM上显示出一致的性能提升。
FMOPF 使用潜在流匹配与约束感知交互先验，为交流最优潮流生成多样化、可行且接近最优的解，能扩展到数百个节点同时保持可行性。
本文提出了一种机器学习代理模型，用于预测相互依赖的电力与通信网络中的组件关键性，该模型与高保真模拟器具有高度相关性，同时计算效率高。
本文提出了一种面向电网调度中分布鲁棒优化的决策聚焦生成框架，用于生成相关场景。该框架基于下游运营成本而非预测准确性来优化场景。与不同生成模型下的精度导向方法相比，运营成本降低了0.80%-2.02%。
本文提出了一种循环空间检测器（CSD），用于检测电力系统中的盲虚假数据注入攻击，其中自动编码器生成与测量雅可比零空间对齐的隐蔽扰动。CSD利用拓扑导出的循环约束来提高检测能力，且无需精确的线路参数。
本文介绍了牛顿之灯，这是一种强化学习框架，用于微调热启动模型，以更高效地解决交流潮流问题，尤其是在接近电压崩溃的情况下。