BriefGPT - AI 论文速递
·
基于预训练和微调的注意力驱动神经算子的故障后电压轨迹的符合预测
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本研究提出了一种高效的电网潮流学习方法，能够处理网络事故并估算概率电压包络。通过高斯过程和多任务顶点度核方法，显著降低了计算复杂度。模拟实验表明，该方法在N-1和N-2事故情景下表现优异，尤其在训练数据量较少时，预测误差减少超过50%。
🎯
关键要点
- 本研究提出了一种高效的电网潮流学习方法，处理带有网络事故的电网系统。
- 该方法估算相应的概率电压包络，利用网络感知高斯过程预测电压功率函数。
- 提出的多任务顶点度核方法降低了计算复杂度和超参数需求。
- 模拟实验在IEEE 30-Bus电网上进行，验证了该方法在N-1和N-2事故情景下的有效性。
- 在低训练数据量下（50-250个样本），多任务顶点度核方法的平均预测误差减少超过50%。
- 该方法在没有历史N-2事故数据的情况下，仍在超过75%的N-2事故网络结构中表现优于基于超参数的迁移学习方法。
- 相比基于蒙特卡洛采样的方法，该方法仅需十六分之一的潮流解决方案即可实现概率电压包络。
➡️
