数据驱动电力流线性化：理论

本两部分教程深入探讨了数据驱动电力流线性化（DPFL）这一领域，该领域正日益受到关注。DPFL 以其更高的逼近精度、更广的适应性以及更好地隐式包含最新系统属性的能力而居居居。通过将更高的模型精度转化为更大的经济效率和更少的能源损失，DPFL 为实现由可再生能源来源带来的显著波动，迈出了步伐 towards 更可持续的能源未来的关键一步。为进行深刻且严谨的重审，本教程首先将现有的 DPFL 方法分为 DPFL 训练算法和辅助技术。其数学模型、解析解、能力、局限性和普遍性被系统性地审查、讨论和总结。此外，本教程回顾了现有的 DPFL 实验，审查测试系统的设置、数据集的忠实度以及在有限数量的 DPFL 方法之间进行的比较。进一步，本教程实现了对所有现有 DPFL 方法（共40种方法）和四种经典物理驱动方法的大规模数值比较，关注其普遍性、适用性、准确性和计算效率。通过这些仿真方法，本教程旨在揭示所有方法的实际性能（包括对数据噪声或异常值敏感性），以引导选择合适的线性化方法。此外，本教程讨论了基于所获理论和数值见解展开的未来方向。作为第一部分，本文重审了 DPFL 理论，覆盖所有训练算法和辅助技术。尚未在文献中提及的能力、局限性和普遍性方面被识别。