返回
Multi-task learning for solving OPF in an evolving environment
DOI:10.1016/j.apenergy.2025.127174.png)
摘要
En 中文
• 为解决数据集不平衡挑战:我们提出了一种基于错误的过采样方法,以平衡每个场景的训练样本并避免有偏训练。
• 为解决弱相关性挑战:我们提出了一种多任务学习框架,以实现在四个场景间的知识迁移。
• 为进一步平衡训练过程:我们采用了自适应权重算法来平衡训练过程。这通过为每个训练样本单独应用可训练权重来实现。
期刊
IF:
11
论文数:
2.6W
被引数:
17.8W
机构
引用论文
Topology-Aware Graph Neural Networks for Learning Feasible and Adaptive AC-OPF Solutions用于学习可行和自适应ac-opf解决方案的拓扑感知图神经网络
Machine learning driven smart electric power systems: Current trends and new perspectives机器学习驱动的智能电力系统: 当前趋势和新视角
APPLIED ENERGY
IF11
Data Augmentation for Data-Driven Methods in Power System Operation: A Novel Framework Using Improved GAN and Transfer Learning电力系统运行中数据驱动方法的数据增强: 使用改进的GAN和迁移学习的新框架
Real-Time Optimal Power Flow With Linguistic Stipulations: Integrating GPT-Agent and Deep Reinforcement Learning具有语言规定的实时最佳功率流: 集成gpt-agent和深度强化学习

