Smart Grids
PulseAugur coverage of Smart Grids — every cluster mentioning Smart Grids across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI提升智能电网效率和可靠性 · 跟踪2个来源
人工智能正被整合到智能电网中，以优化能源分配和管理。该技术可以预测需求、平衡可再生能源、防止停电并促进电动汽车的整合。早期结果表明有显著改进，包括浪费减少40%，从故障中恢复速度提高30%。
-
新的DRP-FLR方法优化智能电网负荷调控
研究人员开发了DRP-FLR，这是一种解决智能电网供需失衡的新方法，这种失衡因AI工作负载和可再生能源集成而加剧。该方法通过利用外部信息准确预测短期负荷并聚类历史负荷曲线以创建特定实体档案，从而改进了现有的需求响应（DR）机制。DRP-FLR通过将预测负荷与这些档案进行匹配来估算DR潜力，并将灵活负荷调控表述为一个混合整数优化问题，通过MILP求解器进行求解，以平衡DR利用率、参与者经济效益和可再生能源接纳能力，同时确保系统稳定性和经…
-
新的持续学习框架增强了智能电网故障预测能力
研究人员开发了ProDER，一个旨在提高不断变化的智能电网中故障预测准确性的新型持续学习框架。该方法解决了现有AI模型难以适应新的故障类型和运行区域的挑战。ProDER集成了基于原型的特征正则化、logit蒸馏和引导式重放记忆，以提高模型的可靠性并减轻计算负担。评估表明，ProDER在故障类型和区域预测方面的准确性下降极小，性能优于其他持续学习技术。
-
AI智能体和LLM应用于智能电网及5G/6G网络 · 跟踪2个来源
两篇最新的arXiv论文探讨了大型语言模型（LLM）和智能体AI系统在专业领域的应用。第一篇论文聚焦智能电网，提出了一种基于求解器的设计原则，以确保数值输出在物理上可行并由可信工具进行验证。第二篇论文则综述了LLM驱动的智能体AI在5G和6G网络中的使用情况，详细介绍了自主网络控制的架构、协议和标准化挑战。
-
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…