IEEE-14 bus system
PulseAugur coverage of IEEE-14 bus system — every cluster mentioning IEEE-14 bus system across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
机器学习增强电力系统安全分类
研究人员开发了一种机器学习方法，通过对应急场景进行分类来增强电力系统安全性。该研究利用了随机森林、支持向量机和 K-近邻等算法，并采用了 SMOTE 和 PCA 等数据预处理技术。随机森林模型表现出最高的性能，在 IEEE-30 母线系统上达到了 0.97 的 F1 分数。这种机器学习方法为电网的实时安全评估提供了比传统方法更具可扩展性和有效性的替代方案。
-
开发了用于量子图的新型物理信息神经网络框架
研究人员开发了QGPINNs，一个基于PyTorch构建的、用于在量子图上求解非局部微分方程的新型物理信息神经网络框架。该框架将控制方程、初始条件、边界条件和顶点传输条件直接集成到学习过程中，利用神经网络求解边上的解，并使用统一的基于图的损失函数。QGPINNs采用了软硬约束强制执行、动态损失平衡和傅里叶特征嵌入等高级策略来提高准确性和训练稳定性，并且可以扩展到逆问题以进行参数识别。
-
新AI框架增强电网稳定性评估
研究人员开发了一种事件结构物理信息神经网络（ES-PINN），旨在提高电网的暂态稳定性评估能力。该新框架将其表示与故障前、故障中和清除后动力学对齐，并在事件接口之间强制执行状态链，以更准确地估算临界清除时间（CCT）。在标准IEEE母线系统上的实验表明，ES-PINN在各种故障场景下，在准确性和计算效率方面均优于现有的神经代理基线。