Smart Grids
PulseAugur coverage of Smart Grids — every cluster mentioning Smart Grids across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架提升智能电网稳定性控制
研究人员开发了一种新颖的、具有物理锚定邻域的联邦多智能体近端策略优化框架，命名为FedPPO-PG，以增强智能电网的暂态稳定控制。该方法将稳定性控制视为一个合作多智能体强化学习问题，其中每个发电机的控制都由其两个电气耦合最强的邻居的频率偏差来指导。在IEEE 39节点基准系统的模拟中，该系统在各种故障场景下均实现了100%的稳定率，与现有方法相比，显著缩短了稳定时间和控制功率。
-
新型AI模型STGAT保障能源物联网时序完整性
一篇新研究论文介绍了一种名为STGAT（时空图注意力网络）的新框架，旨在增强能源物联网系统的时序完整性。该框架解决了时钟漂移、同步操纵以及可能扰乱智能电网等关键基础设施时序顺序的2038年问题等漏洞。STGAT通过整合感知漂移的时序嵌入和图注意力来模拟时序失真和设备间一致性，实验准确率达到95.7%，并将检测延迟降低了26%。
-
智能电网利用谱图神经网络实现更快的故障检测
研究人员开发了一个新的框架，利用强化学习结合谱图神经网络来检测智能电网中的故障。与传统方法相比，该方法旨在提高电力恢复的速度和效率。该模型在修改后的 IEEE 电力系统上进行了测试，并在各种故障场景中展示了强大的实时性能和泛化能力。
-
新型后门攻击威胁关键基础设施中的AI故障检测
研究人员详细介绍了一种新型后门攻击，该攻击针对用于网络物理系统故障检测的机器学习模型。这些攻击通过在训练数据中巧妙地植入特定模式进行投毒，导致模型仅在存在这些触发器时才出现异常行为。研究表明，即使10%的数据投毒率也能有效破坏这些关键系统，而这些系统对于智能电网和工业自动化等基础设施至关重要。
-
图基础模型助力智能电网潮流分析
研究人员开发了一种名为HydraGNN的可扩展异构图神经网络工作流程，用于智能电网中的最优潮流（OPF）近似。该方法保留了包括各种节点和边类型在内的电力网络的复杂结构，并专为在超级计算机上进行训练而设计。在ORNL Frontier超级计算机上使用数百万个图实例和分布式超参数优化进行的实验，识别出了参数量约为160万至170万的高效模型。对这些预训练的图基础模型进行微调，证明了其在可行性分类和故障回归等下游任务中具有更高的准确性和稳定…