提出稀疏PMU部署下的学习型潮流估计框架
热点事件持续更新
提出稀疏PMU部署下的学习型潮流估计框架
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
Van-Hai Bui 等提出一种基于神经网络的潮流估计框架，在减少相量测量单元（PMU）安装数量的同时保持全网潮流估计精度，通过学习 PMU 测量与全网潮流之间的非线性关系，并评估多种 PMU 部署场景，量化测量可得性与估计精度的权衡，供电力公司选择兼顾部署成本与预测性能的配置策略。 在 IEEE 30-bus 测试系统上的算例表明，该框架显著减少了所需 PMU 数量并保持准确的潮流估计。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
基于学习的稀疏 PMU 部署下电力系统潮流估计方法报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv eess.SY 系统与控制基于学习的稀疏 PMU 部署下电力系统潮流估计方法
论文提出一种基于学习的框架，在减少 PMU 安装数量的同时保持全网潮流估计精度，通过神经网络学习 PMU 测量与全网潮流之间的非线性关系，并评估多种 PMU 部署场景以量化测量可得性与估计精度的权衡，帮助电力公司选择兼顾部署成本与预测性能的 PMU 配置策略。在 IEEE 30-bus 测试系统上的算例表明，该框架显著减少了所需 PMU 数量并保持准确的潮流估计。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。