.png){kind=icon}
返回
Diffusion model-based parameter estimation in dynamic power systems
.png){kind=icon}
PRE
AI
DOI：10.1038/s44172-026-00670-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
参数估计作为一种经典的反问题，常因不同参数组合可能产生相同输出而呈现不适定性。这种非唯一性构成了准确且唯一识别的关键障碍。本文提出了一种参数估计框架以应对此类限制：基于联合条件扩散模型的反问题求解器。通过利用扩散模型的随机性，该框架生成捕获潜在参数分布的候选解，且基于观测数据。对多个观测数据的联合条件约束进一步缩小了不可识别参数的后验分布。在动态电力系统中，对于复合负载模型参数化的这一挑战性任务，所提出的方法与单条件模型相比，将参数估计误差降低了58.6%。同时，在各种电气故障下，该方法准确复制了系统的动态响应，均方根误差低于4×10⁻³，在标定和效率方面展现出相对于现有方法的整体优势。鉴于其数据驱动的特性，它为参数估计提供了一般性框架，并有效缓解了跨科学领域的非唯一性问题。
Keyword:
LOAD
IDENTIFICATION
FRAMEWORK
NETWORKS
期刊
C
IF:
0
论文数:
176
被引数:
1
机构
引用论文
Wide-Area Composite Load Parameter Identification Based on Multi-Residual Deep Neural Network基于多残差深度神经网络的广域复合载荷参数辨识
OAAI
OAAI分享收藏Demand-side strategies enable rapid and deep cuts in buildings and transport emissions to 2050需求侧策略能够实现到2050年对建筑和交通排放的快速且大幅削减。.png)
NATURE ENERGYOAAI
NATURE ENERGYIF60.1
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏分享收藏Uncertainty quantification in machine learning for engineering design and health prognostics: A tutorial用于工程设计和健康预测的机器学习中的不确定性量化: 教程OAAI
OAAI分享收藏
查看更多内容