Decentralized Analytic Bayesian Probabilistic Composite Load Modeling: Sensitivity, Identifiability and Interpretability

doi:10.1109/tpwrs.2026.3724316

Decentralized Analytic Bayesian Probabilistic Composite Load Modeling: Sensitivity, Identifiability and Interpretability

2026-08-14

0

PRE

AI

DOI：10.1109/tpwrs.2026.3724316

原文链接

原文求助

摘要

En 中文

随着相量测量单元（PMU）的广泛部署，数据驱动的复合负荷建模已引起研究人员越来越多的关注。现有方法主要依赖基于优化的方法产生点估计，缺乏量化估计不确定性的能力。相比之下，基于采样的技术可以提供置信区间（CIs），但对实时应用计算成本高昂。此外，此类CIs的理论可解释性仍然有限。为解决这些问题，我们提出了一种利用轨迹灵敏度的分布式贝叶斯负荷建模策略，实现了负荷模型与外部网络的结构解耦。它消除了与系统外部不确定性相关的效应，同时有效提供负荷参数的概率描述，无需依赖耗时采样。此外，我们首次推导出轨迹灵敏度、测量雅可比矩阵、先验、噪声和置信水平之间的解析关系，从统计角度理论上证明了关键参数筛选的合理性。多个负荷建模案例的仿真结果表明了所提出方法优异的性能。

Keyword:

Composite load modeling

decentralized Bayesian estimation

confidence interval

PMU

and interpretability

Decentralized Analytic Bayesian Probabilistic Composite Load Modeling: Sensitivity, Identifiability and Interpretability

摘要

期刊

机构

引用论文