Buchumschlag

A Dual Power Grid Cascading Failure Model for the Vulnerability Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhou, Tianxin, Li, Xiang, Lu, Haibing
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Emerging Technologies
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Inductive Power Grid Cascading Failure Analysis with GRU-Gated Graph Attention
von: Zhou, Tianxin, et al.
Veröffentlicht: (2026)

World Models: A Comprehensive Survey of Architectures, Methodologies, Reasoning Paradigms, and Applications
von: Zidan, Arif Hassan, et al.
Veröffentlicht: (2026)

Quantum-Enhanced Reinforcement Learning for Accelerating Newton-Raphson Convergence with Ising Machines: A Case Study for Power Flow Analysis
von: Kaseb, Zeynab, et al.
Veröffentlicht: (2025)

Affordable Precision Agriculture: A Deployment-Oriented Review of Low-Cost, Low-Power Edge AI and TinyML for Resource-Constrained Farming Systems
von: Samanta, Riya, et al.
Veröffentlicht: (2026)

Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion
von: Ji, Xiaoyang, et al.
Veröffentlicht: (2024)

An Automated Machine Learning Approach to Inkjet Printed Component Analysis: A Step Toward Smart Additive Manufacturing
von: Sahu, Abhishek, et al.
Veröffentlicht: (2024)

Performance Analysis of Convolutional Neural Network By Applying Unconstrained Binary Quadratic Programming
von: Sharma, Aasish Kumar, et al.
Veröffentlicht: (2025)

A Hybrid Tucker-LSTM Tensor Network Model for SOC Prediction in Electric Vehicles
von: Wang, Han, et al.
Veröffentlicht: (2026)

QAOA-PCA: Enhancing Efficiency in the Quantum Approximate Optimization Algorithm via Principal Component Analysis
von: Parry, Owain, et al.
Veröffentlicht: (2025)

Beyond the Mean: Modelling Annotation Distributions in Continuous Affect Prediction
von: Pinitas, Kosmas, et al.
Veröffentlicht: (2026)

Quantum Machine Learning in Healthcare: Evaluating QNN and QSVM Models
von: Tudisco, Antonio, et al.
Veröffentlicht: (2025)

Generation of Optimized Solidity Code for Machine Learning Models using LLMs
von: Sham, Nikumbh Sarthak, et al.
Veröffentlicht: (2025)

Device Modeling Bias in ReRAM-based Neural Network Simulations
von: Yousuf, Osama, et al.
Veröffentlicht: (2022)

From Independent to Correlated Diffusion: Generalized Generative Modeling with Probabilistic Computers
von: Singh, Nihal Sanjay, et al.
Veröffentlicht: (2026)

LODAP: On-Device Incremental Learning Via Lightweight Operations and Data Pruning
von: Duan, Biqing, et al.
Veröffentlicht: (2025)

Improving Performance Prediction of Electrolyte Formulations with Transformer-based Molecular Representation Model
von: Priyadarsini, Indra, et al.
Veröffentlicht: (2024)

Embedding-Enhanced Probabilistic Modeling of Ferroelectric Field Effect Transistors (FeFETs)
von: Afee, Tasnia Nobi, et al.
Veröffentlicht: (2025)

Machine Learning Models for Predicting Smoking-Related Health Decline and Disease Risk
von: Chakma, Vaskar, et al.
Veröffentlicht: (2025)

Joint Masked Reconstruction and Contrastive Learning for Mining Interactions Between Proteins
von: Li, Jiang, et al.
Veröffentlicht: (2025)

Model-free front-to-end training of a large high performance laser neural network
von: Skalli, Anas, et al.
Veröffentlicht: (2025)

Leveraging Large Language Models for Integrated Satellite-Aerial-Terrestrial Networks: Recent Advances and Future Directions
von: Javaid, Shumaila, et al.
Veröffentlicht: (2024)

Calibration and Evaluation of Car-Following Models for Autonomous Shuttles Using a Novel Multi-Criteria Framework
von: Favero, Renan, et al.
Veröffentlicht: (2026)

SAIL: Scene-aware Adaptive Iterative Learning for Long-Tail Trajectory Prediction in Autonomous Vehicles
von: Rao, Bin, et al.
Veröffentlicht: (2026)

Sense Less, Infer More: Agentic Multimodal Transformers for Edge Medical Intelligence
von: Zhou, Chengwei, et al.
Veröffentlicht: (2026)

A Review of the Long Horizon Forecasting Problem in Time Series Analysis
von: Krupakar, Hans, et al.
Veröffentlicht: (2025)

FeBiM: Efficient and Compact Bayesian Inference Engine Empowered with Ferroelectric In-Memory Computing
von: Li, Chao, et al.
Veröffentlicht: (2024)

Efficient Beam Selection for ISAC in Cell-Free Massive MIMO via Digital Twin-Assisted Deep Reinforcement Learning
von: Zhang, Jiexin, et al.
Veröffentlicht: (2025)

Machine Learning Applications of Quantum Computing: A Review
von: Nguyen, Thien, et al.
Veröffentlicht: (2024)

Detection Made Easy: Potentials of Large Language Models for Solidity Vulnerabilities
von: Alam, Md Tauseef, et al.
Veröffentlicht: (2024)

SurvUnc: A Meta-Model Based Uncertainty Quantification Framework for Survival Analysis
von: Liu, Yu, et al.
Veröffentlicht: (2025)

Quantum Algorithms: A New Frontier in Financial Crime Prevention
von: Weinberg, Abraham Itzhak, et al.
Veröffentlicht: (2024)

Trustworthy Tree-based Machine Learning by $MoS_2$ Flash-based Analog CAM with Inherent Soft Boundaries
von: Wen, Bo, et al.
Veröffentlicht: (2025)

NeuroShield: A Neuro-Symbolic Framework for Adversarial Robustness
von: Sarvestani, Ali Shafiee, et al.
Veröffentlicht: (2026)

Neural CRNs: A Natural Implementation of Learning in Chemical Reaction Networks
von: Nagipogu, Rajiv Teja, et al.
Veröffentlicht: (2024)

Multi-VQC: A Novel QML Approach for Enhancing Healthcare Classification
von: Tudisco, Antonio, et al.
Veröffentlicht: (2025)

A Proof of Concept for a Digital Twin of an Ultrasonic Fermentation System
von: Pisoni, Francesco Saverio Sconocchia, et al.
Veröffentlicht: (2026)

Multi-Objective Optimization of ReRAM Crossbars for Robust DNN Inferencing under Stochastic Noise
von: Yang, Xiaoxuan, et al.
Veröffentlicht: (2021)

A Fast and Energy-Efficient Latch-Based Memristive Analog Content-Addressable Memory
von: Manea, Paul-Philipp, et al.
Veröffentlicht: (2026)

OmniBuds: A Sensory Earable Platform for Advanced Bio-Sensing and On-Device Machine Learning
von: Montanari, Alessandro, et al.
Veröffentlicht: (2024)

Self-Supervised Learning for Time Series: Contrastive or Generative?
von: Liu, Ziyu, et al.
Veröffentlicht: (2024)