大规模新能源入网给电网运行带来了很大的不确定性，需要比以前更频繁地计算最优潮流，而传统的最优潮流求解器无法满足实际应用的实时性。为了加速计算，有学者提出基于深度神经网络（DNN）求解最优潮流，但其结果通常无法满足所有的安全约束。为了确保可行性，我们提出了FRMNet，其基本想法是将DNN与可行性恢复映射（FRM）相结合，其中DNN接收新能源和负荷作为输入并输出最优潮流部分解，并通过潮流计算获得完整解，FRM则将不可行解映射到可行域以满足所有的最优潮流约束。与传统的基于DNN的求解器相比，FRMNet有四个优点。首先，通过FRM保证整体解决方案的可行性。其次，FRMNet是一种自监督训练方法，因此它避免了使用传统求解器为训练数据集准备最优解的繁琐工作。第三，FRM是可微分的，使得最优潮流的梯度信息可以传递到DNN，这使得DNN具有更高的可行性。第四，由于DNN的高可行性，FRMNet的整体计算时间很快。在IEEE标准案例上试验结果表明，FRMNet的结果满足所有约束，平均速度明显快于传统求解器。试验结果还表明，当FRM参与训练时，DNN的性能得到稳定提升，取得了比其它基于DNN 的模型更好的结果。与目前最先进的基于DNN的求解器相比，也能得到更可行更优的解。

李祖毅，浙江大学求是讲席教授，浙江大学能源互联网研究中心执行主任，国家高层次人才计划入选者。1995-1998年在清华电机系学习并获得硕士学位。致力于解决碳中和战略大背景下，新能源及智能电网发展中出现的不确定性、可靠性、韧性问题。研究兴趣包括电力系统的安全经济、市场化、智能化运行。共同领导了世界上第一个10MW级校园微电网的设计、实施和运营。曾任伊利诺伊理工大学(IIT)电气与计算机工程系助理教授、副教授、教授、Grainger讲席教授，以及IIT加尔文电力创新中心副主任。于1995年获得上海交通大学电力工程学士，1998年获得清华大学电气工程硕士，2002 年获得伊利诺伊理工学院电气工程博士。