Review of Artificial Intelligence Applications in Accelerating Operational Simulation of Power Systems

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

Abstract

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.

Key words: new-type power system, artificial intelligence (AI), operational simulation, unit aggregation, scenario clustering, redundant constraint deletion, algorithm acceleration, machine learning

CLC Number:

TK 01

Yixuan CHEN, Jiayang WANG, Yingjun ZHUO, Siyu LU, Baorong ZHOU. Review of Artificial Intelligence Applications in Accelerating Operational Simulation of Power Systems[J]. Power Generation Technology, 2025, 46(3): 467-481.

Figures/Tables 4

References 67

1	《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．
	Group Editorial ．New power system development blue book[M]．Beijing：China Electric Power Press，2023：1-24．
2	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．
3	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]．．
	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]．．
4	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．
5	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
	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
6	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
	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
7	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．
8	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
	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
9	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．
10	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．
11	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
	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
12	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
	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
13	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．
14	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．
15	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．
16	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．
17	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
	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
18	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
	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
19	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．
20	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
	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
21	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．
22	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
23	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
24	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
25	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
26	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
27	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
28	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．
29	PISTIKOPOULOS E N， DIANGELAKIS N A， OBERDIECK R ．Multi-parametric optimization and control[M]．New York：John Wiley & Sons，2020：19-106．
30	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
31	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
32	CERISOLA S ．Benders decomposition for mixed integer problems：application to a medium term hydrothermal coordination model[D]．Madrid，Spain：Universidad Pontificia Comillas，2004．
33	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
34	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
35	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
36	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．
37	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．
38	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．
39	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．
40	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
41	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]．．
42	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．
43	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．
44	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．
45	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
46	VELIČKOVIĆ P， CUCURULL G， CASANOVA A，et al ．Graph attention networks[EB/OL]．(2017-10-30)[2024-12-04]．．
47	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
48	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
49	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
50	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
51	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
52	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
53	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
54	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
55	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
56	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
57	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
58	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
59	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
60	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．
61	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
62	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
63	NAIR V， BARTUNOV S， GIMENO F，et al ．Solving mixed integer programs using neural networks[EB/OL]．(2020-12-23)[2024-12-04]．．
64	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
65	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．
66	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
67	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．

加速思路		使用AI的原因	代表性AI技术及其优势	应用效果
模型层面	场景聚类	传统场景聚合依赖人工设定规则或统计学模型刻画场景相似度。然而，场景相似度的衡量规则尚不清晰，且呈现高度非线性特征	深度聚类：包括采用机器学习^[48-49]的深度聚类和采用强化学习^[50]的深度聚类。它能够从大量的数据中以非监督的形式学习到事物之间的非线性关系。此外，还可以将物理知识嵌入到学习过程，并借助PIGNN寻找分类原则^[28]	文献[28]指出，使用深度聚类算法，可以比传统方法(如K-Medoid聚类)以更少的场景数(约是传统方法场景数的1/10)实现同样的优化结果
	机组聚合	1）计算成本随电力系统规模呈现指数级增长，容易陷入维数灾难； 2）机组聚合的原则尚不清晰，高度依赖人工设定规则，因此容易造成聚类误差	基于机器学习的社团发现算法^[47]：不仅可以刻画高度非线性关系，还能够在高维空间描述局部的结构、节点信息。此外，社团个数无需提前指定，且机器学习方法对于大规模电网的计算兼容性较好，不容易陷入维数灾难	文献[47]指出，与传统方法(如Fast Newman法)得到的模型相比，采用SeAE的社团发现算法得到的模型的互信息(normal mutual information，NMI)值提升了20%~30%。由此说明了基于机器学习的社团发现算法可以减少机组聚合过程中的聚类误差
	约束缩减	不管是基于凸优化还是基于经验规则的约束缩减方法，为保证效果，其计算量必然是巨大的，甚至是接近NP-hard的。然而，任意一个运行状态及该状态下的SAC都存在一个可以证明的映射关系^[29]，而刻画非线性映射关系正是AI工具所擅长的	基于神经网络的端到端SIC集预测^[55，57]：无需遍历所有的MILP实例，即可学习到MILP和SIC之间的非线性映射关系	文献[57]指出，相比于传统的约束生成算法，基于神经网络的SIC预测准确率较高，且可以使得优化问题的迭代次数减少为传统方法迭代次数的1/10
算法层面		1）由于MILP的NP-hard特性，在基于运筹优化的求解方法中，仍然存在大量的启发式过程及人工规则。此外，对于不同的MILP问题结构，很难定义通用的寻优规则； 2）无论是BnB还是割平面法，都是逐步缩小寻优区域的串行计算，计算效率较低	1）imitation learning：让智能体在学习海量MILP实例的分支经验后，形成一套参数化的分支节点选择规则^[63] 2）warm-start技术(包括基于神经网络端到端的warm-start^[65-66]、基于强化学习的warm-start^[67]等)：不仅能实现加速，还能保证解的可行性	文献[63]指出，相比于传统求解算法，同时采用imitation learning和warm-start，可以使得大型机组组合问题的优化间隙(average primal-dual gap)缩小约1/2

加速思路		使用AI的原因	代表性AI技术及其优势	应用效果
模型层面	场景聚类	传统场景聚合依赖人工设定规则或统计学模型刻画场景相似度。然而，场景相似度的衡量规则尚不清晰，且呈现高度非线性特征	深度聚类：包括采用机器学习^[48-49]的深度聚类和采用强化学习^[50]的深度聚类。它能够从大量的数据中以非监督的形式学习到事物之间的非线性关系。此外，还可以将物理知识嵌入到学习过程，并借助PIGNN寻找分类原则^[28]	文献[28]指出，使用深度聚类算法，可以比传统方法(如K-Medoid聚类)以更少的场景数(约是传统方法场景数的1/10)实现同样的优化结果
	机组聚合	1）计算成本随电力系统规模呈现指数级增长，容易陷入维数灾难； 2）机组聚合的原则尚不清晰，高度依赖人工设定规则，因此容易造成聚类误差	基于机器学习的社团发现算法^[47]：不仅可以刻画高度非线性关系，还能够在高维空间描述局部的结构、节点信息。此外，社团个数无需提前指定，且机器学习方法对于大规模电网的计算兼容性较好，不容易陷入维数灾难	文献[47]指出，与传统方法(如Fast Newman法)得到的模型相比，采用SeAE的社团发现算法得到的模型的互信息(normal mutual information，NMI)值提升了20%~30%。由此说明了基于机器学习的社团发现算法可以减少机组聚合过程中的聚类误差
	约束缩减	不管是基于凸优化还是基于经验规则的约束缩减方法，为保证效果，其计算量必然是巨大的，甚至是接近NP-hard的。然而，任意一个运行状态及该状态下的SAC都存在一个可以证明的映射关系^[29]，而刻画非线性映射关系正是AI工具所擅长的	基于神经网络的端到端SIC集预测^[55，57]：无需遍历所有的MILP实例，即可学习到MILP和SIC之间的非线性映射关系	文献[57]指出，相比于传统的约束生成算法，基于神经网络的SIC预测准确率较高，且可以使得优化问题的迭代次数减少为传统方法迭代次数的1/10
算法层面		1）由于MILP的NP-hard特性，在基于运筹优化的求解方法中，仍然存在大量的启发式过程及人工规则。此外，对于不同的MILP问题结构，很难定义通用的寻优规则； 2）无论是BnB还是割平面法，都是逐步缩小寻优区域的串行计算，计算效率较低	1）imitation learning：让智能体在学习海量MILP实例的分支经验后，形成一套参数化的分支节点选择规则^[63] 2）warm-start技术(包括基于神经网络端到端的warm-start^[65-66]、基于强化学习的warm-start^[67]等)：不仅能实现加速，还能保证解的可行性	文献[63]指出，相比于传统求解算法，同时采用imitation learning和warm-start，可以使得大型机组组合问题的优化间隙(average primal-dual gap)缩小约1/2

[1]	Haoran XU, Jinyun ZHANG, Xin MA, Wenqiang LEI, Jieming CAO. Applications and Prospects of Graph Retrieval-Augmented Generation Technology Based on Large Language Models in the Nuclear Power Field [J]. Power Generation Technology, 2025, 46(3): 454-466.
[2]	Zuhan ZHANG, Dunnan LIU, Hang FAN, Liuqing YANG, Yunjie DUAN, Yun LI, Zhenyu MA. Review of Power System Prediction Technologies Based on Large Language Models [J]. Power Generation Technology, 2025, 46(3): 438-453.
[3]	Jun ZHANG, Tianjiao PU, Wenzhong GAO, Youbo LIU, Wei PEI, Peidong XU, Tianlu GAO, Yuyang BAI. Key Technologies and Application Prospects of Intelligent Computing in Power Systems [J]. Power Generation Technology, 2025, 46(3): 421-437.
[4]	Lin LIU, Dalong WANG, Xiao QI, Zhenbo ZHOU, Huanxin LIN, Chuanwei CAI. Study on Double Phase-Locked Loop on the Synthetic Inertia Control of Offshore Wind Farm Frequency Regulation [J]. Power Generation Technology, 2024, 45(2): 282-290.