LEARNING
基于导纳灵敏度信息的模块化高斯过程用于可扩展拓扑自适应潮流学习
Henrique O. Caetano, Carlos Dias Maciel, Rahul K. Gupta
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
该论文提出了一种可扩展且计算高效的拓扑自适应潮流学习框架，通过模块化的总线级高斯过程模型和随机傅里叶特征降维来提升泛化能力和计算可扩展性。在PEGASE 1354总线系统上的实验表明，该方法在N-3故障条件下达到了0.983的R²分数和0.0023 p.u.的电压幅值均方根误差。
关键词
power flow learningGaussian Processtopology adaptationscalabilityRandom Fourier Features
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018