近日，IEEE Power and Energy Society（电气与电子工程师协会电力和能源学会，简称IEEE PES）发布了2022年度IEEE Transactions on Power Systems（《IEEE电力系统汇刊》）最佳论文评选结果。电力系统及其自动化系雷星雨博士后（第一作者）、杨知方教授（通讯作者）、余娟教授等发表的论文《Data-Driven Optimal Power Flow: A Physics-Informed Machine Learning Approach》获评最佳论文，论文合作者为康涅狄格大学赵俊博助理教授等。

《IEEE电力系统汇刊》是电力系统分析领域顶尖学术期刊，具有重要的行业影响力。本次最佳论文评选范围包括《IEEE电力系统汇刊》过去三年发表的所有论文（共1400余篇），共评选五篇，入选率低于千分之四。

该论文针对现有数据驱动最优潮流计算方法因超参数调试配合困难导致适用性低的问题，采用结构简单、调参量较少的机器学习工具，提出了一种物理信息引导的数据驱动最优潮流计算方法。论文首先构建了一种基于最优潮流物理特征拆解的数据驱动学习框架，将最优潮流问题分为三个阶段学习，简化了最优潮流问题的学习难度，提高了数据驱动最优潮流计算精度。在此基础上，论文提出了一种基于临界域分割的最优潮流样本预分类策略，通过对具有相同或相似起作用约束的样本进行预分类，简化最优潮流输入与输出间的复杂映射关系。

该论文自2021年正式发表以来，在Web of Science中一共被引用37次，Google Scholar（谷歌学术）中被引用66次，是《IEEE电力系统汇刊》的热门论文（Popular papers）。

论文原文链接

Data-Driven Optimal Power Flow: A Physics-Informed Machine Learning Approach

https://ieeexplore.ieee.org/abstract/document/9115822

报道原文链接：

https://cmte.ieee.org/tpwrs/tpwrs-best-papers/