تخمین حالت سیستمهای توزیع تغییر توپولوژی یافته با شبکه عصبی کانوولوشن و یادگیری انتقال

در سالهای اخیر با رشد علم داده و گسترش سیستم توزیع یکی از حوزههایی که پیشرفت مناسبی داشته است تخمین حالت سیستمهای قدرت. تخمین حالت ابتداییترین بخش در مراکز کنترل و مدیریت است و خروجی حاصل از این بخش می تواند تاثیر به سزایی بر روی سیستم قدرت داشته باشد همزمان با توسعه تخمین حالت چالشهایی نیز برای آن پدید آمده است. از مهمترین چالشهای سیستمهای توزیع میتوان به تغییرات توپولوژی اشاره کرد زمانی که تغییراتی در سیستمهای توزیع رخ خواهد داد که باعث تغییرات در توپولوژی میشود مدلهای یادگیری ماشین طراحی شده توانایی خود برای تخمین حالت دقیق را ممکن است از دست بدهند پس از تغییرات لازم است مدل به روزرسانی گردیده و با داده های جدید در زمان کوتاهی بازآموزی گردد یک ابزار مناسب در زمینه یادگیری ماشین و یادگیری عمیق یادگیری انتقال است. با یادگیری انتقال میتوان با داده کمتر مدل را به روزرسانی.کرد تعداد کمتر دادهها موجب افزایش سرعت اجرای الگوریتم نیز خواهد شد و همچنین مدل را هم در برابر تغییراتی مانند تغییرات توپولوژی مقاوم خواهد ساخت.

کلیدواژه ها:

تخمین ، حالت ، یادگیری ماشین ، یادگیری عمیق ، یادگیری ، انتقال ، سیستمهای توزیع