IEEE 118-bus system
PulseAugur coverage of IEEE 118-bus system — every cluster mentioning IEEE 118-bus system across labs, papers, and developer communities, ranked by signal.
-
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。
-
统一的GNN模型解决多个电力系统分析任务
研究人员开发了一种新颖的异构残差门控图卷积网络，能够用单个模型解决多个电力系统分析问题。这种统一的方法解决了潮流（PF）、最优潮流（OPF）和状态估计（SE）等任务，这些任务通常需要单独的、专门的模型。通过学习电力网络行为的可重用表示，该模型在各种系统配置和负载条件下都显示出与特定任务求解器相当的准确性，标志着向电力系统的基础模型迈出了重要一步。
-
机器学习模型预测电力通信网络中的级联故障
研究人员开发了一种机器学习代理模型，用于预测相互依赖的电力和通信网络中的级联故障。该模型利用梯度提升，与高保真模拟器实现了高度相关性，从而能够快速对关键组件进行排序，以加强基础设施的韧性。该代理模型通过整合层间依赖信息来提高有效性，其性能优于传统的拓扑中心性度量。
-
AI 进展改进潮流计算和可行性评估 · 跟踪 2 个来源
研究人员开发了两种新颖的 AI 方法用于电网潮流计算。一种方法，上下文白化 (ICW)，使用一种无梯度技术来使机器学习代理模型适应网络拓扑变化，与现有方法相比，显著提高了准确性和适应速度。另一种方法利用变分图自编码器 (VGAE) 来评估潮流解决方案的可行性和有效性，特别是对于 AI 驱动的求解器，填补了当前数据驱动潮流研究中的空白。
-
物理信息神经网络增强电力系统安全性，抵抗数据攻击
研究人员开发了一种新的物理信息神经网络（PINN），旨在增强电力系统状态估计在面对虚假数据注入攻击时的安全性。该模型将潮流一致性直接整合到其学习过程中，旨在提高准确性和鲁棒性，而无需依赖对抗性训练方法。该方法利用动态损失加权公式来管理数据拟合和物理残差之间的平衡，在IEEE 118节点系统上表现优于现有的PINN变体。