Peter Pálenský

通过母线分割进行输电拥堵管理的可转移图学习

基于市场规则信息的神经网络高效不平衡电价预测

物理信息强化学习在大规模电动汽车智能充电中的应用，考虑配电网络电压约束

基于数据驱动的方法用于含光伏的低电压配电网拓扑修正

在可再生能源和负荷需求不对称不确定性下的配电网最优运行

科茨桑波洛普洛斯等人研究了数字实时仿真如何推进电力和能源系统领域的教育与培训。该研究成果发表于《IEEE Transactions on Power Systems》2026年第1期第1-10页。

动态智能充电环境中高效优化的图神经网络增强决策变换器

融合自适应激活函数的物理信息神经网络用于潮流计算

虚拟电厂数字孪生：通过标准架构确保无缝部署

能源管理及随机运营规划，适用于具有不确定能源供需的电动集装箱码头

基于半监督学习和流量距离相似性聚类的数字化变电站入侵检测系统

基于模型预测控制以最大化V2G灵活性的开源算法

客座编辑：数字孪生在可再生能源主导电力系统中的方法与应用

一种基于流的方法用于条件性和概率性电力消耗剖面生成

用于配电网相识别的孪生神经网络模型

光伏逆变器传感器攻击的实时估计与防御及其硬件实现

EV2Gym: 用于电动汽车智能充电研究和基准测试的灵活V2G模拟器

基于海上MMC的MT-HVDC电网的预测性直流故障穿越