AC power flow
PulseAugur coverage of AC power flow — every cluster mentioning AC power flow across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
图神经网络用于交流潮流分析的基准测试
一篇新的研究论文探讨了图神经网络（GNNs）在电网交流潮流（ACPF）分析中的应用。该研究对各种GNN架构进行了统一的基准测试，并在标准的IEEE测试系统上评估了它们的预测准确性和物理一致性。研究结果表明，各向异性消息传递机制和编码线路阻抗的显式边特征对于有效建模电气交互和系统范围的依赖性至关重要，尤其是在复杂电网的电压角度预测方面。
-
深度神经网络框架简化交流潮流故障分析
研究人员开发了一种新颖的交流潮流故障分析框架，该框架使用单个深度神经网络（DNN）来预测故障后的运行状态。该方法旨在减轻传统方法相关的计算负担，传统方法通常需要大量的特定于停电的训练数据。所提出的方法将状态预测构建为不动点迭代，并包含半定规划（SDP）公式来认证DNN的收敛条件。在IEEE 118总线系统上的测试表明，SDP公式是有效的，并且该方法以很少的迭代次数准确地估计了故障后的状态。
-
新的MxGPS模型解决了电网AI中的拓扑过拟合问题
研究人员开发了MxGPS，一种新颖的多路图变换器，旨在解决电网基础模型中的拓扑过拟合问题。这种新的模型架构使用共享节点编码器上的K个任务专用分支，并在静态状态估计和交流潮流任务上进行了联合训练。MxGPS在泛化到未见过的电网拓扑方面表现出显著的改进，实现了0%的边界违规率，并且与现有方法相比，性能下降幅度大大降低，同时参数数量比GridFM基线小12倍。
-
新方法为交流潮流 GNN 生成对抗性输入
研究人员开发了一种为用于交流潮流模拟的图神经网络模型生成对抗性输入的方法。该技术涉及构建和求解优化问题，以识别导致神经网络预测解与实际交流潮流方程之间出现显著差异的输入点。该研究使用一个14节点测试电网在 CANOS-PF 模型上进行了演示，显示出无功功率高达 3.7 per-unit 和电压幅值高达 0.08 per-unit 的误差。研究结果强调了对这些神经网络代理模型进行鲁棒验证和训练方法的必要性。