.png){kind=icon}
返回
Approximate Bayesian Computation Guided Sequential Neural Posterior Estimation for Power System Parameter Calibration
.png){kind=icon}
PRE
AI
DOI：10.1109/TPWRS.2025.3647318.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
发电机参数校准对电力系统分析与控制至关重要。由于参数与仿真输出之间存在复杂的依赖关系，导致似然函数难以处理，基于仿真的方法（如近似贝叶斯计算（ABC）和顺序神经网络后验估计（SNPE））成为参数估计的流行方法。本文提出了一种新颖的ABC引导的SNPE模型用于发电机参数校准，通过整合ABC和SNPE来利用两种技术的优势。ABC的初始筛选能快速排除参数空间中的不可能区域，随后基于归一化流的生成模型将ABC的粗略后验近似转化为平滑连续分布，为SNPE提供更高质量的训练数据。该方法在同步发电机模型上得到验证，结果表明在估计精度和计算效率方面，本方法均优于单独使用ABC或SNPE。
Keyword:
Approximate Bayesian computation (ABC)
efficiency
normalizing flow
parameter estimation
sequential neural posterior estimation (SNPE)
simulation-based method
synchronous generator dynamic model
期刊
IF:
7.2
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
分享收藏
Extended Kalman filtering based real-time dynamic state and parameter estimation using PMU data基于扩展卡尔曼滤波的PMU数据实时动态状态和参数估计
PREAI
分享收藏Practical Considerations to Calibrate Generator Model Parameters Using Phasor Measurements使用相量测量校准发电机模型参数的实际考虑
PREAI
分享收藏
查看更多内容