第十一届电气学科青年学者学科前沿研讨会报告

报告题目：基于机器学习辅助的分布式最优潮流计算研究

受邀参加华为AI4Energy技术创新与实践探索内部分享会并做报告

分布式光伏出力受光照、温度等气象因素影响呈现强间歇性与波动性，其数据质量与预测精度直接制约光伏消纳与电网调度效率。针对分布式光伏监测数据中存在的缺失、异常、冗余等问题，以及传统预测方法泛化能力不足的痛点，提出 AI 赋能的分布式光伏数据清洗与预测技术。数据清洗阶段，提出基于图像处理的大规模异常数据清洗技术，能够高效完成大规模数据的清洗提升数据质量。在点预测阶段，针对不同分布式光伏预测场景，分别构建了通用型时序预测大模型、适用小样本的时序预测模型，以及省域级时空预测模型。同时，对点预测进行进一步的拓展，提出基于条件标准化流的概率预测模型，为分布式光伏高效并网与电网智能化调度提供可靠技术支撑。

祝贺蔡辉煌同学论文《基于自监督学习的配电网分布式最优潮流求解》被中国电机工程学报录用并网络首发

随着网架结构的复杂化，配电网分区自治已成为提升调度效率、可靠性与经济性的必要手段。然而，传统分布式凸优化算法逐渐难以适配新型配电网的高效运行需求。在此背景下，机器学习在配电网调度中得到越来越广泛的关注，但大量标注样本的需求限制了机器学习的实际应用。针对这一限制，本文提出一种融合交替方向乘子法(Alternating Direction Method of Multipliers， ADMM)的自监督学习算法，用于求解配电网分布式最优潮流。首先，建立了融合ADMM的自监督学习框架，通过两个相互独立的网络模拟ADMM算法中全局变量与拉格朗日乘子交互迭代，实现网络间的相互监督，原始网络用于估计全局变量，对偶网络用于估计拉格朗日乘子。其次，考虑分布式最优潮流全局变量与边界变量的一致性，设计了考虑一致性约束的损失函数，用于引导原始网络的训练，保证训练过程的收敛性。再次，基于卡罗需-库恩-塔克条件分析证明所提出方法的收敛性，并给出残差的上界。最后，在改进的IEEE 123节点系统及苏州实际276节点配电系统验证了所提出方法的有效性。

受邀参加南京信息工程大学2025年电力大数据分析论坛并做报告

本次论坛由大数据分析与智能系统江苏省高校重点实验室、江苏省大气环境与装备技术协同创新中心、江苏省气象能源利用与控制工程技术研究中心及南京信息工程大学能源气象研究院共同承办、中国电力科学研究院电力自动化研究所协办。本次报告以“基于机器学习辅助的配电网分布式最优潮流计算”为题，汇报了当前人工智能方法在配电网分布式最优潮流计算加速的研究进展。

祝贺卓源璟同学论文《LFTL: Lightweight Feature Transfer Learning with Channel-Independent LSTM for Distributed PV Forecasting》被Energy and AI (IF:9.6)录用并在线发表

本文提出一种轻量化特征迁移学习（LFTL）方法，实现对新型分布式光伏的快速精准预测。首先，对原始波动性光伏数据进行分解预处理，分离低频与高频分量，随后对这些分量进行多尺度分段，以捕捉多样的时间特征；在特征压缩与LSTM时序建模后，利用源域的有效特征实现轻量化迁移。针对目标域，设计通道独立编码器，避免异构频率间的负向干扰；配备位置嵌入的频率融合分段独立解码器，可实现局部时间分析，减少多步预测的误差累积。LFTL采用联合训练策略进行训练，以规避因域差异导致的负迁移问题。基于实际分布式光伏数据的实验表明，LFTL在保持相对较低计算开销的同时，预测性能持续优于主流时间序列预测模型。

2025年国家自然科学面上基金获立项（项目负责人）

2025年智能电网国家科技重大专项获立项（子任务负责人）

祝贺孙金通同学本科毕业设计获得校级优秀

孙金通同学本科毕设以《基于大语言模型的光伏时序预测研究》为题，获校级优秀毕业设计（论文）

IEEE CEEPE, Session Chair-AI assisted Renewable Energy System Scheduling, Operation and Maintenance

2025年4月25至27日，第八届能源、电气和电力工程国际会议（The 8th International Conference on Energy, Electrical and Power Engineering, CEEPE 2025）在中国无锡盛大举行

祝贺蔡辉煌同学论文《A Learning to Optimize Approach to Accelerating Distributed Optimal Power Flow Solving》被MPCE录用并在线发表

本文提出一种学习优化（L2O）方法以加速分布式最优潮流求解，通过估计交替方向乘子法（ADMM）的全局变量及拉格朗日乘子的收敛值作为热启动解。核心模型为长短期记忆-变分自编码器（LSTM-VAE）：LSTM处理全局变量与乘子的高维时序特征，提取潜在时序模式并生成低维表示；VAE解码器将压缩的潜在向量重构为ADMM变量的高维渐近收敛值。文中设计二次和惩罚项形式的新损失函数，以纳入拉格朗日乘子的约束违反量，并提出两阶段训练数据生成策略，在有限时间内高效生成大量数据。