پدرام خدامرادی - گروه برق و الکترونیک،دانشکده فنی وحرفه ای شماره دو،دانشگاه فنی وحرفه ای،کرمانشاه،ایران
ساسان پیری - گروه برق و الکترونیک،دانشکده فنی وحرفه ای شماره دو،دانشگاه فنی وحرفه ای،کرمانشاه،ایران
محسن دلفانی - گروه برق و الکترونیک،دانشکده فنی وحرفه ای شماره دو،دانشگاه فنی وحرفه ای،کرمانشاه،ایران
سلیمان شیرزادی - گروه برق و الکترونیک،دانشکده فنی وحرفه ای شماره دو،دانشگاه فنی وحرفه ای،کرمانشاه،ایران

شبکه های توزیع شبکه های پیچیده خطوط را تشکیل می دهند که اغلب موارد به طور مجدد پیکربندی می شوند تا میزان اتلاف به حداقل برسد، بارها به تعادل برسند، خطاها از بین برود یا اینکه به منظور اهداف نگه داری به کار می روند. نظارت بر مکان شناسی به وظیفه اساسی برای زمان بندی بهینه شبکه تبدیل شده است. در حالی که ساختارهای فاز همزمان به شبکه های ولتاژ پایین محدود اند، صنایع سرشار از داده های سنجش هوشمند در اختیار خود هستند.دراین زمینه، چارچوب یادگیری آماری برای تایید ساختارهای شبکه تک فاز با استفاده از داده های ولتاژ غیر همزمان مطرح می گردد. از فعالیت احتمالی ماکسیمم کاسته می شود تا تابع غیرمحدب در مجموعه غیرمحدب به حداقل برسد.این تابع شامل ماتریس کوواریانس ولتاژ نمونه بوده و مجموعه تحقق پذیر به بدنه محدب خود کاهش می یابد. در تعدادی از داده های بدون نشانه، مکان شناسی حقیقی منجر به حداقل رساننده جهانی مسائل اولیه و کاهش یافته می گردد.طبق مدل داده های ساده سازی شده، این تابع محدب بوده، لذا تضمین بهینگی است. اطلاعات قبلی درباره وضعیت های خطی همچنین از طریق رویکرد ماکسیمم پسین شامل می گردد. فعالیت های ساماندهی شده با حل کننده های دارای نقاط قوت تکمیلی رسیدگی می شوند. آزمون های عددی با استفاده از داده های حقیقی راجع به تغذیه کنندگان معیار نشان می دهد که براوردهای مکان شناسی معتبر را می توان حتی با چند نوع داده سنجش هوشمند به دست آورد، در حالی که طرح های غیر محدب عملکرد تایید خطر برتر به بهای زمان محاسباتی بیشتر از خود نشان می دهند.

ماکسیمم احتمال، برآورد ماتریس کوواریانس معکوس