Grid-Orch: An LLM-Powered Orchestrator for Distribution Grid Simulation and Analytics

США и Запад · вчера

arXiv:2605.12728v2 Announce Type: replace Abstract: The power distribution engineering workforce faces a projected shortage of up to 1.5 million engineers by 2030, creating urgent demand for more accessible analysis tools.

Созвучно продуктам ЦД

ЦД.Витрины

Заголовок оригинала: Grid-Orch: An LLM-Powered Orchestrator for Distribution Grid Simulation and Analytics

Читать первоисточник: arXiv — Systems and Control (eess.SY)

Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.

Рядом по теме

ЭнергетикаСША и Запад9 сент.

Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model

arXiv:2609.06656v1 Announce Type: cross Abstract: Modern power systems are growing increasingly complex as they integrate diverse generation sources to meet rising demand, making accurate load forecasting challenging.

arXiv — Systems and Control (eess.SY) ↗

ЭнергетикаСША и Запад7 сент.

Сравнение прямого и косвенного прогнозирования чистой нагрузки с учетом мощностей ВИЭ

В исследовании сравниваются прямой и косвенный подходы к прогнозированию чистой нагрузки на час вперед на основе нейросетей (LSTM и полносвязных). Косвенный метод включает раздельное прогнозирование нагрузки, выработки ветра и солнца, а также учет установленной мощности ВИЭ как дополнительного признака. Показано, что косвенный метод дает более точные прогнозы.

ЦД.БалансЦДГЦД.ПрогнозarXiv — Systems and Control (eess.SY) ↗

ЭнергетикаСША и Запад31 авг.

Инициализация как ключевой фактор в федеративном краткосрочном прогнозировании нагрузки

Исследование посвящено федеративному обучению для краткосрочного прогнозирования электрической нагрузки (STLF), которое учитывает проблемы конфиденциальности данных. Авторы выявляют структурированную неоднородность в данных клиентов: разные реакции на внешние факторы и различные временные профили нагрузки, что ухудшает точность прогнозов при федеративном обучении. Для решения предлагаются две стратегии инициализации модели — глобальная и локальная, которые улучшают качество прогнозирования.

ЦД.ПрогнозarXiv — Systems and Control (eess.SY) ↗