Distributed Load Shedding for Microgrid with Compensation Support via Wireless Network
Shanghai Jiao Tong University（上海交通大学）；Collaborative Innovation Center for Advanced Ship and Deep-Sea Exploration（先进船舶与深海探测协同创新中心）；Key Laboratory of System Control and Information Processing, Ministry of Education of China（教育部系统控制与信息处理重点实验室）
本文提出基于无线网络的分布式负荷切除方案，通过优化不同优先级负载的有功功率协调，结合子梯度方法算法和TDMA多播Metropolis调度，提高响应率和可靠性，验证了方案的有效性。
2018-07-23 cs.SY eess.SY
Maximal Load Shedding Verification for Neural Network Models of AC Line Switching
本文提出一种双层验证方法，利用凸松弛和局部搜索，为神经网络求解交流线路切换问题提供最坏情况负荷削减的下界，并在多个测试用例上验证其优于随机采样。
2025-10-27 cs.SY eess.SY
Machine Learning for Fairness-Aware Load Shedding: A Real-Time Solution via Identifying Binding Constraints
National Renewable Energy Laboratory（美国国家可再生能源实验室）
本文提出一种机器学习算法，通过识别绑定约束实现毫秒级计算，解决公平感知负荷削减优化问题的实时性挑战，并在3节点和RTS-GMLC系统上验证了其有效性。
2025-02-27 cs.AI cs.SY eess.SY
Optimal Rotational Load Shedding via Bilinear Integer Programming
University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文研究了如何通过双线性整数规划优化电力分配网络中多个负荷区的旋转负荷削减计划，提出了一种新的双线性整数规划求解方法，并通过大量仿真验证了该方法的有效性。
2018-10-21 cs.SY eess.SY math.OC
A Cooperative Game Theory-based Approach to Under-frequency Load Shedding Control
针对电力系统频率稳定与控制问题，提出了一种基于合作博弈理论的低频减载方法。低频减载对于频率稳定性和频率控制至关重要，特别是在可再生能源高度渗透和重构电力系统的电网中。传统的UFLS方法，其中大部分是离线的，通常基于预定的时间表去除固定量的预定负载，这可能导致负载的过度或不足削减。本文提出了一种基于合作博弈理论的两阶段策略，以有效和精确地确定位置和数量的负荷减低频开关控制。在第一阶段中，使用参考等效惯性中心的初始频率变化率（ROCOF）来计算要甩负荷的总量，也称为发电量或干扰功率的不足。在第二阶段，Shapley值，合作博弈论的解决方案的概念之一，用于确定负荷削减量和位置。所提出的方法是实现减少9总线3机西部电力协调委员会（WECC）系统和实时数字仿真器（RTDS）进行了仿真。结果表明，所提出的UFLS方法可以有效地恢复系统的正常状态后的干扰。
2021-06-27 cs.SY eess.SY
Optimal Load Shedding for Public Safety Power Shutoffs
针对公共安全断电事件，提出一种基于负荷重要性的多步遗传算法减载优化方法，在保持关键负荷和电网稳定的前提下实现最小减载，降低野火风险。
2023-11-13 cs.SY eess.SY math.OC
Unit commitment with analytical underfrequency load-shedding constraints for island power systems
本文提出校正型频率约束机组组合（C-FCUC），通过解析建模低频减载约束来优化孤岛电力系统的旋转备用配置，并验证其可推广为预防型频率约束机组组合和标准机组组合，在西班牙孤岛系统中成功应用。
2023-04-11 cs.SY eess.SY
Under-frequency Load Shedding for Power Reserve Management in Islanded Microgrids
本文针对孤岛微电网提出低频减载方案，通过设定不同频率阈值触发减载，利用分段器、智能电表和可控电器，在OPAL-RT平台上验证了恢复功率储备和平衡三相电压的有效性。
2023-09-06 cs.SY eess.SY
Adaptive Load Shedding for Grid Emergency Control via Deep Reinforcement Learning
紧急控制，典型地如欠压减载（UVLS），被广泛地用于在紧急情况下解决实际电力系统中的低电压和电压不稳定问题。然而，现有的紧急控制方案是基于规则的，不能自适应地应用于不确定和浮动的操作条件。本文提出了一种基于深度强化学习和专家系统的自适应UVLS紧急控制算法。我们首先构造动态组件，用于将电力系统操作描绘为环境。瞬态电压恢复准则对UVLS提出了时变要求，它被集成到状态和奖励函数中，以指导深度神经网络的学习。该方法不存在报酬函数系数的调整问题，而这一问题被认为是现有基于DRL算法的不足之处。大量的案例研究表明，所提出的方法优于传统的UVLS继电器在紧急控制的及时性和有效性。
2021-02-25 cs.SY eess.SY
Optimization-based Framework for Selecting Under-frequency Load Shedding Parameters
针对高可再生能源电网中低频减载（UFLS）忽略网络空间信息的问题，提出一种混合整数线性规划框架，通过优化UFLS设定点以最小化频率偏差和负荷切除，并在IEEE 39节点系统上验证了有效性。
2024-01-09 cs.SY eess.SY
Scalable Learning for Optimal Load Shedding Under Power Grid Emergency Operations
Department of Electrical and Computer Engineering The University of Texas at Austin（德克萨斯大学奥斯汀分校电气与计算机工程系）
对突发事件的有效和及时响应对于增强电网的弹性至关重要。考虑到级联传播的快速、复杂过程，由于计算复杂性和通信延迟问题，在大规模网络中难以实现诸如最优减载（OLS）的校正动作。本文提出了一种基于离线神经网络（NN）的OLS学习方法，通过离线训练构建各种潜在事故情景下的最优切负荷决策规则。值得注意的是，拟议的基于NN的OLS决策是完全分散的，使各个负载中心能够使用现成的本地测量结果对特定的应急情况做出快速反应。IEEE 14节点系统的数值研究表明，我们的可扩展的OLS设计的有效性，实时响应严重的电网紧急事件。
2022-01-27 cs.LG cs.SY eess.SY
Data-driven Estimation of Under Frequency Load Shedding after Outages in Small Power Systems
本文提出一种基于回归树和Tobit模型的数据驱动方法，用于估计小型电力系统停电后的低频减载量，并可直接嵌入混合整数线性规划，在拉帕尔马岛系统中实现平均绝对误差仅0.213 MW的准确估计。
2024-02-20 cs.SY eess.SY
Data-driven Under Frequency Load Shedding Using Reinforcement Learning
针对传统低频减载方案适应性差、强化学习方法训练计算负担重的问题，提出用机器学习分类器捕捉系统频率响应后训练RL智能体的方法，可缩短训练与实时应用时间、减少减载量，在IEEE 68节点系统上验证了更优性能。
2024-10-06 cs.SY eess.SY
Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding
University of Lagos（拉各斯大学）
本研究针对拉各斯大学提出基于机器学习的智能减载框架，通过主成分分析降维和Mini-Batch K-Means聚类划分建筑需求等级，并结合Prophet等模型进行短期负荷预测，实现更公平、数据驱动的配电优化。
2025-09-21 cs.LG cs.SY eess.SY
Accelerated Deep Reinforcement Learning Based Load Shedding for Emergency Voltage Control
切负荷是防止电压失稳的最有效的紧急控制手段之一。随着电力系统中不确定性的增加和运行条件的快速变化，现有方法在速度、自适应性或可扩展性方面存在突出问题。近年来，深度强化学习（DRL）被认为是一种有前途的快速自适应电网稳定控制方法。然而，现有的DRL算法在应用于电力系统控制问题时表现出两个突出的问题：1）计算效率低，需要大量的训练和调整时间;以及2）可扩展性差，使得难以扩展到高维控制问题。为了克服这些问题，一个加速DRL算法称为PARS开发和定制的电力系统电压稳定控制通过减载。PARS具有高度的可扩展性，并且仅使用五个主要超参数即可轻松调优。IEEE 39总线和IEEE 300总线系统的方法进行了测试，后者是迄今为止最大的规模这样的研究。测试结果表明，与其他方法相比，包括模型预测控制（MPC）和邻近策略优化（PPO）方法，PARS具有更好的计算效率（更快的收敛速度）、更强的学习鲁棒性、良好的可扩展性和泛化能力。
2020-12-05 cs.SY eess.SP eess.SY
Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency
National Renewable Energy Laboratory（国家可再生能源实验室）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对电力系统故障下实时最优切负荷（OLS）难以实现的问题，提出去中心化神经网络离线训练方法，利用本地测量自主构建OLS方案，减少计算通信需求，在IEEE 118节点和合成德克萨斯2000节点系统验证了其高效性。
2025-02-11 cs.LG cs.SY eess.SY
A Policy Switching Approach to Consolidating Load Shedding and Islanding Protection Schemes
School of Electrical Engineering & Computer Science Oregon State University（俄勒冈州立大学电气与计算机工程学院）
本文提出一种算法方法，通过策略切换整合传统负载削减和孤岛保护方案，以优化电力网络在故障发生前后运行性能。
2014-08-09 cs.SY eess.SY physics.soc-ph
Real-time hybrid controls of energy storage and load shedding for integrated power and energy systems of ships
本文针对含BESS和SCESS的船舶综合电力系统，提出利用不同爬坡率特性并结合滚动时域优化的实时EMS，以减少减载、平衡SoC并降低计算负担。
2024-03-02 cs.SY eess.SY
Barrier Function-based Safe Reinforcement Learning for Emergency Control of Power Systems
低压减载已被认为是在紧急和严重情况下恢复电网电压稳定的标准和有效措施。然而，这种方案通常会使大量的负载跳闸，这对客户来说是不必要的和有害的。最近，深度强化学习（RL）被认为是一种很有前途的方法，可以显着减少甩负荷量。然而，与大多数现有的基于机器学习（ML）的控制技术一样，RL控制通常不能保证被控系统的安全性。介绍了一种新的电力系统紧急切负荷的安全RL方法，该方法可以提高电网在发生故障后的电压安全恢复能力。与标准RL方法不同，安全RL方法具有由障碍函数组成的奖励函数，当系统状态达到安全界限时，该障碍函数达到负无穷大。因此，最优控制策略，使最大化的回报函数，可以使电力系统，以避免安全边界。该方法具有通用性，可应用于其它安全关键控制问题。在39节点IEEE基准上进行了数值仿真，以证明所提出的安全RL紧急控制的有效性，以及其对训练中未出现的故障的自适应能力。
2021-09-30 cs.SY eess.SY
Techno-Economic Planning of Spatially-Resolved Battery Storage Systems in Renewable-Dominant Grids Under Weather Variability
本文针对可再生能源主导电网中的波动性与切负荷问题，提出基于两阶段随机规划的电池储能系统选址、定容与选型方法，并以纽约州为案例验证其可减少34%弃电和21%切负荷，揭示成本与可再生能源渗透率的非线性关系。
2025-08-17 cs.SY eess.SY
Community Resilience Optimization Subject to Power Flow Constraints in Cyber-Physical-Social Systems in Power Engineering
针对电力工程中的网络-物理-社会系统，提出了一种潮流约束下的社区弹性优化方法，并采用基于多智能体的算法进行求解。在物理侧的发电与社会侧的消费者和关键负荷之间建立联系的工具是潮流算法。具体而言，情感，同理心，合作的水平，和消费者的身体健康，prosumers在拟议的社区弹性优化方法建模，同时占电功率系统的限制和他们的影响的关键负载，其中包括医院，收容所，加油站，仅举几例。这种优化解释了这样一个事实，即社会的满意度、生活水平和社会福祉取决于包括电力在内的能源供应。显然，由于减载造成的电力短缺对精神和心理生活质量都有影响，这反过来又影响到社区的复原力。开发的约束社区弹性优化方法应用于两个案例研究，包括两个区域6节点系统和修改后的IEEE RTS 24节点系统。仿真结果表明，情绪，风险感知和社交媒体平台效应因子的初始值的降低需要增加减载，这反过来又导致社区弹性的下降。相反，合作，同情，身体健康，微电网和分布式能源的能力的初始值的增加导致在减负荷，这反过来又引起了社区弹性的增强。
2020-04-02 cs.SY eess.SY physics.soc-ph
Data-driven Coordinated AC/DC Control Strategy for Frequency Safety
本文提出了一种数据驱动的协调交流直流控制策略，用于在非预期操作条件和大功率缺额下确保系统频率安全，通过整合直流紧急支持与传统负载切除，实现最小控制成本和高预测准确性。
2024-05-21 cs.SY eess.SY
Privacy-Aware Load Ensemble Control: A Linearly-Solvable MDP Approach
需求响应（DR）程序利用分布式需求侧资源，例如，可控的住宅和商业负载，为电力电力系统提供辅助服务。这些资源的集合可以通过调整它们的电力消耗来帮助降低系统负载峰值并满足操作限制。为了装备公用事业或负载聚合器有足够的决策支持工具合奏调度，我们开发了一个马尔可夫决策过程（MDP）的方法来最佳地控制负载合奏的隐私保护的方式。为此，差分隐私的概念被内化到MDP例程中，以保护转移概率，从而保护DR参与者的隐私。所提出的方法还提供了一个解决方案的最优性和隐私保证之间的权衡，并使用真实世界的数据在纽约州纽约市的纽约大学微电网的DR事件进行分析。
2021-07-30 cs.SY eess.SY
AutoFlow: Hotspot-Aware, Dynamic Load Balancing for Distributed Stream Processing
流应用程序被广泛部署在云上。虽然Flink和Spark Streaming等现代分布式流媒体系统可以高效地调度和执行它们，但流媒体数据流通常动态变化，这可能会导致计算不平衡和反压。我们介绍AutoFlow，一个自动的，热点感知的动态负载平衡系统的流媒体流。它采用了一个集中式调度器，动态地监视整个子网中的负载平衡，并相应地实现状态迁移。调度器使用简单的异步分布式控制消息机制和热点减少算法来实现这两个任务。定时机制支持隐式屏障和高效的状态迁移，而无需全局屏障或暂停操作符。它还支持基于时间窗口的负载平衡测量，并将它们馈送到热点减少算法，而无需用户干扰。我们在Ray之上实现了AutoFlow，Ray是一个基于参与者的分布式执行框架。我们基于各种流基准数据集的评估表明，AutoFlow实现了良好的负载平衡，并在高度数据偏斜的工作负载下产生低延迟开销。
2021-03-16 cs.SY eess.SY
Risk-Aware Hosting Capacity Analysis for Flexible Load Interconnection in Distribution Networks
本文提出一种考虑风险的承载能力框架，通过控制过度削减的风险和干预频率，提升配电网在灵活负荷接入中的承载能力。
2026-04-22 cs.SY eess.SY
Optimizing Battery and Line Undergrounding Investments for Transmission Systems under Wildfire Risk Scenarios: A Benders Decomposition Approach
针对气候变化下输电系统野火风险与断电负荷削减问题，提出基于多情景的Benders分解两阶段框架，优化电池安装与线路地下化投资，在真实数据的大规模电网中验证了有效性。
2025-06-17 cs.SY eess.SY
Industrial electrification in the era of data centers: A Bayesian Optimization approach for grid-aware large load allocation
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出领导者-跟随者双层优化框架，结合贝叶斯优化求解大负荷分配问题，以降低电网扩容成本和运行风险，并在模拟ERCOT的合成电网中验证了工业电气化与数据中心负荷的竞争与分布规律。
2026-06-23 cs.SY eess.SY
Enhanced Battery Degradation-Aware Scheduling for Distribution Network with Electric Vehicle Load
该研究针对电池退化对配电网的影响问题，构建兼顾成本与电网性能的多目标调度框架，提出基于ε-约束和模糊逻辑的Bach方法，经IEEE 33节点网络验证可实现多目标优化且具备定制灵活性。
2024-07-09 cs.SY eess.SY
Designing Grid-Aware Dynamic Specifications for Large Data Center Loads
针对大型数据中心负载的爬坡与振荡行为，提出基于惯量中心频率和频谱多面体近似的动态规范设计方法，并在WECC 179节点系统验证其有效性。
2026-09-17 cs.SY eess.SY
Degradation-aware Predictive Energy Management for Fuel Cell-Battery Ship Power System with Data-driven Load Forecasting
Delft University of Technology（代尔夫特理工大学）；Università degli Studi di Genova（热那亚大学）
本文提出了一种考虑燃料电池退化因素的预测性能源管理策略，通过数据驱动的负载预测减少氢气消耗和电池退化，实验显示在15分钟和1小时预测范围内，氢气消耗和电池退化分别减少5.8%和36.4%。
2026-04-16 cs.SY eess.SY
Cyber-Physical Co-Simulation of Load Frequency Control under Load-Altering Attacks
针对负荷改变攻击尤其是动态负荷改变攻击对电网稳定性的威胁，本文提出一种开源的电网与通信网络信息物理联合仿真环境，可实现电网保护机制建模并支撑具体场景下的攻击全面分析。
2025-08-01 cs.CR cs.SY eess.SY
AC Dynamics-aware Trajectory Optimization with Binary Enforcement for Adaptive UFLS Design
University of Vermont（佛蒙特大学）
本文提出一种基于轨迹优化的自适应UFLS方法，通过引入全AC非线性动态和二进制决策，解决传统UFLS方案在高分布式能源渗透下的非适应性问题，有效恢复系统频率。
2026-03-19 cs.SY eess.SY
Enhancing Sustainability in HAPS-Assisted 6G Networks: Load Estimation Aware Cell Switching
Carleton University（卡尔顿大学）；Ankara Yildirim Beyazit University（安卡拉伊尔迪勒姆贝亚泽特大学）
本文提出通过空间和时间负载估计技术提升HAPS辅助6G网络的可持续性，采用多级聚类和LSTM方法提高负载估计精度。
2025-07-19 cs.SY eess.SY
Can Carbon-Aware Electric Load Shifting Reduce Emissions? An Equilibrium-Based Analysis
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出碳感知均衡模型，分析碳敏感负荷在考虑碳排放信号下的电力负荷转移效果，并探讨其对碳减排的贡献。
2025-12-15 cs.SY eess.SY
Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；University at Buffalo（布法罗大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出一种拓扑感知的图强化学习框架，通过整合拓扑数据分析提升电力分配网络的韧性，实验表明其在奖励、电力输送和电压违规方面均优于基线模型。
2026-03-07 cs.LG cs.SY eess.SY
False Relay Operation Attacks in Power Systems with High Renewables
负荷发电平衡和系统惯性对于维持电力系统的频率至关重要。为了保持负荷发电平衡，电网配备了频率变化率（ROCOF）和甩负荷（LS）继电器。随着可再生能源的日益普及，电网的惯性正在下降，这导致在负载-发电不平衡的情况下系统频率下降更快。在此背景下，我们分析了在具有高可再生能源的电力系统中启动虚假数据注入（FDI）以创建虚假继电操作（FRO）的可行性，我们称之为FRO攻击。我们对电力系统的频率动态和相应的FDI攻击进行建模，包括同步发电机惯性、调速器时间常数和下垂等参数对FRO攻击成功的影响。我们将FRO攻击形式化为约束满足问题（CSP），并使用可满足性模理论（SMT）解决。我们的案例研究表明，可再生能源的电网更容易受到FRO攻击，同步发电机的惯性在减少电网中FRO攻击的成功方面起着至关重要的作用。
2021-02-24 cs.SY eess.SY
Comparative Assessment of Look-Ahead Economic Dispatch and Ramp Products for Grid Flexibility
Midcontinent ISO（中部电网独立系统运营商）
本文比较了前瞻性经济调度与爬坡产品在电网灵活性中的性能，发现两者在特定条件下存在差异，提出改进爬坡产品实现的建议。
2026-01-29 cs.SY eess.SY
Control-aware Probabilistic Load Flow for Transmission Systems: An Analytical Method
概率潮流计算作为分析输电系统行为的基本工具，已经被研究了几十年。尽管有各种可用的方法，现有的PLF方法很少考虑系统控制。然而，系统控制，作为随机变量的波动和系统状态的变化之间的自动缓冲器，对最终的PLF结果有显着的影响。为了考虑控制作用的影响，本文提出了第一个分析PLF方法的输电网，考虑一次和二次频率控制。该方法基于高精度的线性潮流模型，并通过一种新颖的校正方法进一步提高了模型的精度。本文还证明了，如果随机变量的联合概率分布（JPD）用高斯混合模型（GMM）表示，则系统状态（例如，节点电压）是无限GMM。通过利用这一命题，所提出的方法可以产生整个系统的联合PLF，适用于服从任何分布的随机变量，并能够捕捉它们的相关性。在14 ~ 1354节点的测试用例上验证了该方法的高精度和令人满意的效率。
2022-02-28 cs.SY eess.SY
Headroom-Aware Stochastic Adaptive Model Predictive Control for Load Frequency Control in Microgrids
Wayne State University（韦恩州立大学）
针对微电网负荷频率控制中传统MPC存在的随机饱和问题，提出SHCMPC和SAMPC两种策略，可改善调节性能，其中SAMPC计算效率更高。
2026-09-07 cs.SY eess.SY
Mobility-Aware Electric Vehicle Fast Charging Load Models with Geographical Price Variations
University of California, Santa Barbara（加利福尼亚大学圣塔芭芭拉分校）
本文研究了在具有快速充电站的交通网络中，电动汽车用户在旅行和充电时的行为模式，通过建立交通和充电分配问题（TCAP）模型，分析了充电网络运营商如何优化快速充电站的使用效率，并提出了考虑用户异质性和地理电价差异的凸优化问题以确定网络的均衡状态。
2020-09-16 cs.SY eess.SY
Risk-Aware Allocation of Transmission Capacity for Large Loads
Thayer School of Engineering, Dartmouth College（达特茅斯学院泰勒工程学院）
本文提出面向风险的传输容量分配框架，通过鲁棒优化确定刚性容量，利用风险感知方法释放柔性容量，提升数据中心互联效率。
2026-09-16 cs.GT cs.SY eess.SY
Situationally Aware Rolling Horizon Multi-Tier Load Restoration Considering Behind-The-Meter DER
针对现有配电系统负荷恢复仅考虑相邻馈线转供、难以应对冷负荷启动与表后DER延迟重连等工况变化的问题，提出态势感知滚动时域多层负荷恢复框架，通过构建多层转供与保护模型、引入保障约束缓解滚动优化短视性，经改进IEEE 123节点系统验证有效。
2025-10-02 cs.SY eess.SY math.OC
Degradation Aware Predictive Energy Management Strategy for Ship Power Systems
将现代防御武器集成到船舶电力系统中，在满足这些负载的高斜坡率要求方面提出了挑战。发电机可能需要满足这些负载的斜坡率。如果不这样做，可能会导致稳定问题。这通过发电机和能量存储元件的聚集来解决，以处理由负载引起的所需电力需求。本文提出了一种基于模型预测控制的能量管理策略，将不确定性的负荷预测。所提出的控制器优化协调发电机和储能元件之间的功率分配，以保证满足功率需求，同时考虑斜坡率限制和负载不确定性。一个低带宽模型，由一个单一的发电机和一个单一的能量存储元件被用来验证所提出的能量管理策略的结果。结果表明，在负载预测的不确定性下的控制器的鲁棒性和负载的不确定性对电池容量损失的影响。
2021-05-25 cs.SY eess.SY math.OC
Task-Aware Machine Unlearning and Its Application in Load Forecasting
Imperial College London（帝国理工学院）
针对负荷预测中模型训练后需遗忘部分数据的需求，提出考虑电力系统调度成本的任务感知机器遗忘方法，通过三层优化与样本重加权平衡遗忘效果与运行成本。
2024-03-11 cs.LG cs.SY eess.SY
Extended Load Flexibility of Industrial P2H Plants: A Process Constraint-Aware Scheduling Approach
工业发电制氢（P2 H）工厂的运营灵活性使不稳定的可再生能源能够进入，并为电网提供辅助监管服务。为了进一步扩展P2 H工厂的灵活性，本文提出了一种考虑碱性电解槽详细工艺约束的调度方法。与现有的工程，假设恒定的负载范围，所提出的调度框架充分利用电解槽的动态过程，包括温度和氢氧（HTO）的交叉，以提高操作的灵活性。还考虑了在不同负载水平和温度下的能量转换效率。调度模型通过适当的数学变换求解为混合整数线性规划（MILP），确定了P2 H工厂日常运行中不同电解槽的开-关-备用状态和功率水平。实验验证的约束条件下，案例研究表明，相比现有的调度方法，改进的灵活性，导致利润增加1.627%时，P2 H工厂直接耦合到光伏发电。
2022-03-06 cs.SY eess.SY math.OC
Cooling-Aware Resource Allocation and Load Management for Mobile Edge Computing Systems
在物联网（IoT）爆炸性计算需求的驱动下，移动边缘计算（MEC）为增强移动用户的计算能力提供了一种有前途的技术。在本文中，我们提出了一种联合资源分配和负载管理机制，在MEC系统与无线功率传输（WPT），通过联合优化WPT的发射功率，本地/边缘计算负载，卸载时间，和频率的中央处理器（CPU）在接入点（AP）和用户。为了实现节能和可持续的WPT-MEC系统，我们最大限度地减少AP的总能耗，同时满足计算延迟要求。在最小化MEC系统的能量消耗时，考虑了不可忽略的冷却能量。通过严格编排最先进的优化技术，我们设计了一个迭代算法，并获得半封闭形式的最优解。基于解决方案，有趣的性质和见解进行了总结。大量的数值测试表明，该算法可以节省高达90.4%的现有基准的能量。
2020-06-19 cs.SY eess.SP eess.SY
Resilient Load Forecasting under Climate Change: Adaptive Conditional Neural Processes for Few-Shot Extreme Load Forecasting
本文提出AdaCNP模型，通过自适应条件神经过程实现少样本极端负荷预测，提升电力系统在极端天气下的预测鲁棒性。
2026-02-04 cs.LG cs.SY eess.SY
