LEARNING
面向拓扑变化的物理信息图学习加速大规模交流最优潮流求解
Keunju Song, Kyungnam Park, Sua Choi, Seunguk Kim, Tae-un Kim, Youngmin Choi, Sang-Won Min, Hongseok Kim
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出GraphOPF框架，利用图神经网络和物理信息学习，实现了对大规模交流最优潮流问题的快速求解，并适应拓扑变化。实验表明，该方法在训练速度和求解速度上分别比基线快200倍和66倍，且可行性超过99%。
关键词
AC-OPFgraph neural networkphysics-informedtopology adaptationpower system
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018