提出可学习图谱基改进电力系统暂态预测

Shubhan Bhattacharya 与 Avi Bagchi 提出用可学习谱基替代固定谱基，改进傅里叶神经算子对电力系统暂态轨迹的预测。在覆盖未见故障位置和运行工况偏移的三个测试协议下，可学习谱基相对参数与预算匹配的 DFT 变体在分布内提升 7-14%，作者称增益来自谱基的适应能力而非坐标本身。 论文还发现，将学习版与冻结版平均可得到最佳的偏移鲁棒预测器；两者预测分歧可作为无标签告警，在测试中标记了全部偏移案例且无误报。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。