.png){kind=icon}
返回
Generalized Data-Driven Power Flow Linearization: Methodologies, Evaluations, and Challenges
.png){kind=icon}
PRE
AI
DOI：10.1109/TPWRS.2025.3612095.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着数据为中心方法论的兴起，广义数据驱动潮流线性化（DPFL）技术受到了越来越多的关注，能够高精度地识别线性、分段线性及空间映射的潮流模型。然而，针对特定场景选择最合适的DPFL方法具有挑战性，原因在于：(i) 缺乏对现有DPFL方法的统一数学再审视；(ii) 缺乏对其能力与局限性的系统分析；(iii) 由于超过95%的DPFL研究未开源代码，导致所有方法间缺乏全面的比较。本文旨在填补这些空白。它将DPFL方法分为训练算法和支持性技术两类，系统讨论了其数学模型、能力及局限性。此外，本文评估了41种DPFL方法和4种经典物理驱动方法的适用性，并在22个测试案例中进一步对这45种方法进行了广泛的数值评估。分析结果表明，DPFL方法不仅具有更高的精度，同时也揭示了其潜在的欠佳性能、失效情况及高计算成本，这些挑战为未来指明了九个有前景的研究方向。总体而言，本文系统性地回顾了DPFL理论，数值评估了其性能，并为DPFL方法的选择或改进提供了见解。
Keyword:
Fundamental model
power flow
linearization
data-driven identification
physics-informed identification
期刊
IF:
7.2
论文数:
1.1W
被引数:
5.0W
机构
引用论文
分享收藏Linear predictors for nonlinear dynamical systems: Koopman operator meets model predictive control非线性动力系统的线性预测器: Koopman算子满足模型预测控制.png)
AUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏
查看更多内容