پژوهش
PoSE با Flow Matching تخمین حالت شبکه‌های توزیع برق را بهبود می‌دهد
پیش‌چاپی در arXiv روشی بیزی معرفی می‌کند که به‌جای یادگیری کل فرایند تخمین، فقط توزیع تزریق توان پست‌های فرعی را از داده‌های تاریخی می‌آموزد.
شبکه‌های توزیع برق با اندازه‌گیری‌های بلادرنگ اندک، برای تخمین حالت به اندازه‌گیری‌های شبه‌واقعی پست‌های فرعی متکی‌اند. روش متداول حداقل مربعات وزن‌دار، معادلات پخش بار را دقیق نگه می‌دارد، اما اطلاعات پیشین دربارهٔ این اندازه‌گیری‌ها را به میانگین و واریانس تقلیل می‌دهد. برآوردگرهای یادگیری عمیقِ نظارت‌شده نیز خودِ پخش بار را می‌آموزند و به مجموعهٔ مشخصی از اندازه‌گیری‌ها وابسته‌اند.
پژوهشگران در پیش‌چاپی با عنوان «Bayesian Distribution System State Estimation with Flow Matching» روش PoSE را پیشنهاد می‌کنند؛ روشی برای نمونه‌گیری از توزیع پسین در تخمین حالت. در این چارچوب، شبکهٔ عصبی با Flow Matching و داده‌های تاریخی، توزیع تزریق توان پست‌های فرعی را یاد می‌گیرد؛ یعنی بخشی از سامانه را که اپراتور شبکه درباره‌اش اطلاعات کامل ندارد. معادلات پخش بار، توپولوژی شبکه و اندازه‌گیری‌ها نیز در فرایند تخمین وارد می‌شوند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده