دانلود ترجمه مقاله تحلیل دینامیک های فرکانس در شبکه قدرت

1. مقدمه 2. معرفی شبکه بیزی 3. الگوریتم یادگیری ساختار تکرار شونده دو شاخه ای 4. نتایج یادگیری ساختار بیزی 5. کاربرد 1: پیش بینی فرکانس 6. کاربرد 2: آشکارسازی داده های کاذب 7. کاربرد 3: مدل انتشار اپیدمیک (همه گیر) 8. نتیجه گیری

چکیده – در این مقاله، نوسان فرکانس در شبکه قدرت، مورد مطالعه قرار می گیرد. ارتباط احتمالی فرکانس های اندازه گیری شده در مکان های مختلف بوسیله یک شبکه بیزی با «ساختار منطقی» یادگیری شده با استفاده از یادگیری ساختار بیزی و اندازه گیری حقیق در شبکه قدرت آمریکایی، مدل سازی می شوند. تحلیل داده فرکانس و آشکارسازی اندازه گیری های فرکانس غیرصحیح (ناشی از خطای تجهیزات یا حمله دشمنان) برروی ساختار شبکه ییزی منطقی انجام می شوند. چنین کاربرد شبکه بیزی، یک ابزار ریاضیاتی قوی در هوش محاسباتی است. بدون اطلاعات توپولوژی شبکه قدرت فیزیکی، یک الگوریتم یادگیری ساختار جستجو و امتیاز 2 شاخه با تنظیم L-1 برای یادگیری ساختار منطقی پیشنهاد می شود و در نتیجه به نرخ پیش بینی صحیح حدود 97% برای فرکانس آینده و نرخ آشکارسازی داده های فرکانس کاذب با نرخ هشدار کاذب 2% دست یافت. ابزار انتشار همه گیر (اپیدمیک) برروی این شبکه منطقی نیز برای تحلیل انتشار تغییرات فرکانس، مورد استفاده قرار می گیرد. با استفاده از تست کولموگوروف-اسمیرنوف، نشان داده شده که چنین ساختار منطقی را می توان بخوبی بوسیله مدل شبکه جهانی کوچک، تقریب زد. و نشان داده می شود که انتشار تغییرات فرکانس بخوبی بوسیله مدل «آسیب پذیر-عفونی-آسیب پذیر» توصیف می شود. ساختار بیزی بدست آمده از اندازه گیری های حقیقی با استفاده از یک داده آموزشی 5 لایه و سیستم پیرسون، مورد اعتباریابی آماری قرار می گیرد.

The oscillation of frequency in power grid is studied in this paper. The possibility association of frequencies measured at different locations are modeled by a Bayesian network with the logical structure learned using Bayesian structure learning and real measurements in the U.S. power grid. Frequency data analysis and the detection of incorrect frequency measurements (caused by equipment error or malicious attack) are performed over the logical Bayesian network structure. Such application of Bayesian network is a powerful mathematical tool in computational intelligence. Without the physical power network topology information, a two-branch search-and-score structure learning algorithm with L -1 regulation is proposed to learn the logical structure, achieving around 97% correct prediction rate for future frequency and 92% detection rate for false frequency data with 2% false alarm rate. The tool of epidemic propagation over this logical network is also exploited to analyze the propagation of frequency changes. Using the Kolmogorov-Smirnov test, such logical structure is demonstrated to be well approximated by the Small World network model. And the propagation of frequency changes is demonstrated to be described by the Susceptible-Infectious-Susceptible (SIS) model quite well. The Bayesian structure obtained from the real measurement is statistically validated using a 5-fold training data and the Pearson system.