論文の概要、ライセンス

# (参考訳) 大規模分散電力グリッド - 利用にインスパイアされたAIの可能性と課題 [全文訳有]

Massively Digitized Power Grid: Opportunities and Challenges of Use-inspired AI ( http://arxiv.org/abs/2205.05180v1 )

ライセンス: CC BY 4.0
Le Xie, Xiangtian Zheng, Yannan Sun, Tong Huang, Tony Bruton(参考訳) 本稿は、大規模デジタル電力網における機会と課題について、利用に触発された視点を示す。 データアベイラビリティ、コンピューティング能力、人工知能(ai)アルゴリズム開発の複雑な相互作用は、電力グリッドにおけるデジタル化ソリューションの採用を促進する3つの重要な要因であると主張している。 これら3つの要因が電力系統運用の重要機能や計画実践に与える影響を,産業実践事例研究で概説し,考察した。 データ、コンピューティング、AIアルゴリズムに対するオープンな課題と研究の機会は、電力産業の膨大な脱炭活動の文脈内で具体化されている。

This article presents a use-inspired perspective of the opportunities and challenges in a massively digitized power grid. It argues that the intricate interplay of data availability, computing capability, and artificial intelligence (AI) algorithm development are the three key factors driving the adoption of digitized solutions in the power grid. The impact of these three factors on critical functions of power system operation and planning practices are reviewed and illustrated with industrial practice case studies. Open challenges and research opportunities for data, computing, and AI algorithms are articulated within the context of the power industry's tremendous decarbonization efforts.
公開日: Tue, 10 May 2022 21:34:14 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 1 Massively Digitized Power Grid: Opportunities and IEEEの成果 1 大規模分散電力グリッド:機会と機会 0.58
Challenges of Use-inspired AI ユースインスパイアされたAIの課題 0.39
Le Xie, Fellow, IEEE, Xiangtian Zheng, Student Member, IEEE, Yannan Sun, Senior Member, IEEE, Le Xie, Fellow, IEEE, Xiangtian Zheng, Student Member, IEEE, Yannan Sun, Senior Member, IEEE 0.41
Tong Huang, Member, IEEE, and Tony Bruton, Member, IEEE IEEEメンバのTong Huang氏とIEEEメンバのTony Bruton氏 0.60
2 2 0 2 y a M 0 1 2 2 0 2 y a m 0 1 である。 0.53
] Y S . s s e e [ ] だ。 s s e e である。 0.43
1 v 0 8 1 5 0 1 v 0 8 1 5 0 0.42
. 5 0 2 2 : v i X r a . 5 0 2 2 : v i X r a 0.42
Abstract—This article presents a use-inspired perspective of the opportunities and challenges in a massively digitized power grid. 概要 — この記事は、巨大なデジタル化された電力網における機会と課題について、利用に触発された視点を示します。 0.45
It argues that the intricate interplay of data availability, computing capability, and artificial intelligence (AI) algorithm development are the three key factors driving the adoption of digitized solutions in the power grid. データアベイラビリティ、コンピューティング能力、人工知能(ai)アルゴリズム開発の複雑な相互作用は、電力グリッドにおけるデジタル化ソリューションの採用を促進する3つの重要な要因であると主張している。 0.79
The impact of these three factors on critical functions of power system operation and planning practices are reviewed and illustrated with industrial practice case studies. これら3つの要因が電力系統運用の重要機能や計画実践に与える影響を,産業実践事例研究で概説し,考察した。 0.83
Open challenges and research opportunities for data, computing, and AI algorithms are articulated within the context of the power industry’s tremendous decarbonization efforts. データ、コンピューティング、AIアルゴリズムに対するオープンな課題と研究の機会は、電力業界の膨大な脱炭活動の文脈内で具体化されている。 0.73
Index Terms—Decarbonization, power grid, data-driven algorithms, machine learning, artificial intelligence, industry use cases インデックス用語 — 脱炭、電力グリッド、データ駆動アルゴリズム、機械学習、人工知能、産業ユースケース 0.75
NOMENCLATURE NOMENCLATURE 0.43
Critical energy/electric infrastructure information 臨界エネルギー・電気インフラ情報 0.61
Direct current Alternating current Artificial intelligence 直流 交流電流 人工知能 0.45
AC AGC Automatic generation control AI AMI Advanced metering infrastructure ARX Autoregressive with exogenous input ASIC Application-specific integrated circuit BLAS Basic linear algebra subroutine CEII CNN Convolutional neural network DC DER Distributed energy resource DFR Digital fault recorder DMS Distribution management system DSA Dynamic security analysis ED ELM Extreme learning machine EMS EV FDR FTR GPU Graphic processing unit HIL AC AGC自動生成制御 AI AMI 高度な計測インフラ ARX 外部入力付き自動回帰 ASIC アプリケーション固有の集積回路 BLAS 基本線形代数サブルーチン CEII CNN 畳み込みニューラルネットワーク DC DER 分散エネルギー資源 DFR デジタルフォールトレコーダ DMS 配電管理システム DSA 動的セキュリティ分析 ED ELM エクストリーム学習マシン EMS EV FDR FTR GPU グラフィ処理ユニット HIL 0.87
Energy management system Electric vehicle Frequency disturbance recorder Financial transmission right エネルギー管理システム 電気自動車の周波数外乱レコーダー金融送信権 0.80
Economic dispatch Hardware-in-loop 経済派遣 hardware‐in-loop 0.42
L. Xie and X. Zheng are with the Department of Electrical and Computer Engineering at Texas A&M University (email: le.xie@tamu.edu, zxt0515@tamu.edu). L.XieとX.ZhengはテキサスA&M大学の電気・コンピュータ工学科(email: le.xie@tamu.edu, zxt0515@tamu.edu)に所属している。 0.75
T.Huang is with the Laboratory for Information and Decision Systems at Massachusetts Institute of Technology (tongh@mit.edu). t.huangはマサチューセッツ工科大学情報・意思決定システム研究所(tongh@mit.edu)に勤務している。 0.72
Y. Sun and T. Bruton are with Oncor Electric Delivery (email: Yannan.Sun@oncor.com , Tony.Bruton@oncor.co m). Y. SunとT. BrutonはOncor Electric Delivery(電子メール: Yannan.Sun@oncor.com 、Tony.Bruton@oncor.co m)と提携している。 0.69
The work of L. Xie, X. Zheng, and T. Huang was supported in part by the U.S. Department of Energy’s Office of Energy Efficiency and Renewable Energy (EERE) through the Solar Energy Technologies Office (SETO) under Grant DE-EE0009031, and in part by the National Science Foundation under Grant OAC-1934675, ECCS-2035688, and ECCS-1611301. L. Xie, X. Zheng, T. Huang の業績は、Grant DE-EE0009031 の下で太陽エネルギー技術局 (SETO) を通じて、米国エネルギー省のエネルギー効率・再生可能エネルギー局 (EERE) と、Grant OAC-1934675 、ECCS-2035688 、ECCS-1611301 によって支援された。 0.74
Point of common coupling Neural network Optimal power flow 共通結合のポイント ニューラルネットワークの最適潮流 0.69
Inverter-based resource Internet of things インバータを用いたモノのインターネット 0.55
HVAC Heating, ventilation, and air conditioning IBR IoT KNN K-nearest neighbors LMP Local marginal price LSTM Long short term memory MDP Markov decision process MIO Mixed integer optimization NN OPF PCA Principle component analysis PCC PMU Phasor measurement unit PV RF RIC RL RPCA Robust principle component analysis RTU Remote terminal unit SCADA Supervisory control and data acquisition State estimation SE Satisfiability modulo theory SMT Sequence of events SOE SSA Static security analysis SVM Support vector machine SVR UC HVAC Heating, ventilation, and air conditioning IBR IoT KNN K-nearest neighbors LMP Local marginal price LSTM Long short term memory MDP Markov decision process MIO Mixed integer optimization NN OPF PCA Principle component analysis PCC PMU Phasor measurement unit PV RF RIC RL RPCA Robust principle component analysis RTU Remote terminal unit SCADA Supervisory control and data acquisition State estimation SE Satisfiability modulo theory SMT Sequence of events SOE SSA Static security analysis SVM Support vector machine SVR UC
訳抜け防止モード: HVAC 加熱、換気、空調 IBR IoT KNN K - 近隣のLMP 局所限界価格 LSTM 長期メモリ MDP Markov 決定プロセス MIO 混合整数最適化 NN OPF PCA 原理成分分析 PCC PMU パラメータ測定ユニット PV RF RIC RL RPCA ロバスト原理成分分析 RTU リモート端末ユニット SCADA スーパーバイザ制御 データ取得状態推定 SE 満足度変調理論 SMT イベントのシーケンス SOE SSA 静的セキュリティ解析 SVM サポートベクタマシン SVR UC
0.81
Photovoltaic Random forest Residential/Industri al/Commercial Reinforcement learning 太陽光発電林の居住/産業/商業強化学習 0.49
Support vector regression Unit commitment サポートベクトル回帰 ユニットコミットメント 0.73
I. INTRODUCTION I. イントロダクション 0.64
Digitization of the electric power grid, which broadly refers to the deployment of sensing, communication, and computational capabilities, has been an integral part of the electrification process over the past century and is a key enabling factor that drives power grid transformation by spreading its outreach vertically over plants, transmission grids, distribution grids, and end-use customers. 電力網のデジタル化は、センシング、通信、計算能力の展開を広く指しており、過去1世紀にわたって電化プロセスの不可欠な部分であり、発電所、送電網、配電網、エンドユース顧客に垂直に広がり、電力網の変換を促進する重要な要因である。 0.61
As data availability and computing capacity continue to grow, large-scale power grids are built and operated with very high levels of reliability and efficiency, providing electricity services to billions of customers. データ可用性と計算能力の増大に伴い、大規模な電力網が構築され、非常に高い信頼性と効率で運用され、何十億もの顧客に電力サービスを提供する。
訳抜け防止モード: データ可用性と計算能力の増大に伴い、大規模電力網が構築される 非常に高い信頼性と効率で 稼働しています 何十億もの顧客に電気サービスを提供しています
0.73
The state of today’s power grids in the United States (U.S.) can be summarized in three aspects: 米国(米国)における今日の電力網の状態は、以下の3つの側面で要約できる。 0.79
(i) for system reliability, the average duration of annual electric power interruptions in the U.S. varied from 3 to 8 hours in the period between 2013 and 2020 [1]; i) システムの信頼性については,2013~2020年の期間において,米国における年間停電の平均時間は,3時間から8時間に変化した。[1] 0.78
(ii) for cost of electricity, the average wholesale electricity price across the U.S. varied from $30 to $60 per MWh in the period between 2016 and 2021 [2]; and (二)電気のコストについては、2016年から2021年[2]の期間において、全米平均の通電価格は1MWhあたり30ドルから60ドルまで様々であった。 0.79
(iii) for (iii) 0.30
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 2 carbon footprint, electricity generation in the U.S. produced an average of about 0.4 kilograms of carbon dioxide emissions per kWh in 2020 [3]. IEEEの成果 2 二酸化炭素排出量、米国の発電量は、2020年の1kWhあたり平均約0.4kgの二酸化炭素排出量を生み出した[3]。 0.58
In response to climate change, which has emerged as a global concern, rapid decarbonization is imperative to reduce carbon emission, a quarter of which are contributed by the electricity sector. 世界的懸念として現れた気候変動への対応として、二酸化炭素排出量の削減には急速な脱炭が不可欠であり、その4分の1は電力部門が貢献している。 0.59
It is foreseeable that numerous decarbonization measures will cause profound changes in the electricity sector in the next few decades [4]. 今後数十年で多くの脱炭対策が電力部門に大きな変化をもたらすと予想されている[4]。 0.70
Such changes have two major drivers: このような変更には2つの大きな要因がある。 0.38
(i) the energy portfolio transition from high-carbon to low/zero-carbon generation sources, such as hydrogen, nuclear, wind and solar-based commercial generation units and distributed energy resources (DERs), and (i)高炭素から水素、原子力、風力、太陽ベースの商業発電単位及び分散型エネルギー資源(ders)等の低炭素/ゼロ炭素発電源へのエネルギーポートフォリオの移行 0.82
(ii) electrification in other sectors, including construction, transportation and other infrastructure systems. (ii)建設、輸送、その他のインフラシステムを含む他の分野における電化 0.81
Deepening penetration of intermittent resources, such as wind farms and solar photovoltaic (PV), is introducing more variability and uncertainty. 風力発電や太陽光発電(PV)などの断続的資源の浸透は、より多様性と不確実性をもたらす。
訳抜け防止モード: 風力発電や太陽光発電(PV)などの断続的資源の浸透深化 多様性と不確実性を導入することです
0.71
The proliferation of power electronics-based inverters is changing system dynamic characteristics. パワーエレクトロニクスベースのインバータの普及はシステムの動的特性を変化させている。 0.65
Increasing numbers of DERs at grid edge are strengthening the interaction between transmission and distribution systems. グリッドエッジにおけるDERの数の増加は,伝送系と配電系の相互作用を強化している。 0.67
Rapid expansion of electric vehicles (EVs) will lead to substantial changes in electricity demand patterns. 電気自動車(EV)の急速な拡大は、電力需要パターンに大きな変化をもたらすだろう。 0.73
Therefore, it is imperative for the grid operators to adopt a more flexible and risk-aware approach. したがって、グリッドオペレーターがより柔軟でリスク対応のアプローチを採用することが不可欠である。 0.80
Given the massive data availability and computing capacity provided by digitized power grids, data-driven artificial intelligence (AI) methods are feasible solutions for complementing traditional model-based approaches to address these complex emerging challenges. デジタル化された電力グリッドによって提供される膨大なデータ可用性と計算能力を考えると、データ駆動人工知能(AI)手法は、これらの複雑な新興課題に対処する従来のモデルベースのアプローチを補完するための実現可能なソリューションである。 0.60
From a broader economic perspective, AI has transformed a variety of domains over the past decade [5], including language processing [6], speech recognition [7], facial recognition [8], real-time object detection [9], multiplayer game [10]– [12], recommendation system [13], intelligent robotics [14]– [16], driving assistant system [17], disease diagnosis [18], drug discovery [19], finance [20], and others. この10年間でAIは、言語処理 [6]、音声認識 [7]、顔認識 [8]、リアルタイムオブジェクト検出 [9]、マルチプレイヤーゲーム [10] - [12]、レコメンデーションシステム [13]、インテリジェントロボティクス [14] - [16]、運転アシスタントシステム [17]、疾患診断 [18]、薬物発見 [19]、ファイナンス [20]など、さまざまな領域を変革してきた。
訳抜け防止モード: 広い経済的な見地からすると、aiは過去10年[5年]の間、さまざまなドメインを変えてきた。 言語処理[6],音声認識[7], 顔認識 [8 ], リアルタイム物体検出 [9 ] マルチプレイヤーゲーム[10] – [12],レコメンデーションシステム[13], インテリジェントロボティクス[14] – [16], driving assistant system[17], 疾患診断[18], 薬物発見[19], ファイナンス[20]など。
0.70
We attribute such unprecedented success of AI as an intricate interplay between three factors, namely, massive data acquisition, high computing performance, and advanced AI algorithms [21]– [23]. このようなaiの成功を,大規模なデータ取得,高いコンピューティング性能,高度なaiアルゴリズム[21]–[23]という,3つの要因の複雑な相互作用として捉えています。 0.74
The availability of data from heterogeneous resources has been increasing at an unprecedented rate [24]–[26] and provides fuel for developing AI-based, data-driven applications for valuable knowledge extraction in wide-range domains. 異種資源からのデータの入手は前例のない速度 [24]-[26] で増加しており、幅広い領域における貴重な知識抽出のためのAIベースのデータ駆動アプリケーションを開発するための燃料を提供する。 0.72
In addition, remarkable improvements in computing performance have enabled a variety of practical large-scale AI models, credited to the collective advances in hardware, software, and computing architecture [27]. さらに、コンピューティング性能の著しい改善により、ハードウェア、ソフトウェア、コンピューティングアーキテクチャの集団的進歩により、さまざまな実用的な大規模aiモデルが実現されている[27]。 0.76
Alongside rapidly-growing AI infrastructure that provides massive data and computing capacity, numerous advanced AI algorithms have been developed in the past decade. 膨大なデータと計算能力を提供する急速に成長するAIインフラストラクチャに加えて、過去10年間に多数の高度なAIアルゴリズムが開発されてきた。 0.68
State-of-the-art performance on benchmark datasets for tasks in multiple research fields has been improved by pre-trained models [28]–[31] and novel AI model architectures [32]–[35]. 複数の研究分野におけるタスクのベンチマークデータセットにおける最先端のパフォーマンスは、事前訓練されたモデル[28]-[31]と新しいAIモデルアーキテクチャ[32]-[35]によって改善されている。 0.75
Given the widespread success of AI applications, the development and deployment of interpretable, robust, and scalable AI may help to accommodate the emerging changes brought by decarbonization, aiming to reduce carbon emission and meanwhile “keep the lights on” in a reliable and economic AIアプリケーションの広範な成功を考えると、解釈可能で堅牢でスケーラブルなAIの開発と展開は、炭素排出量の削減と、信頼性のある経済的な“ライトを点灯する”ことを目的とした、脱炭による新たな変化に対応するのに役立つかもしれない。
訳抜け防止モード: AIアプリケーションの広範な成功を考えると、解釈可能で堅牢でスケーラブルなAIの開発とデプロイは、脱炭による新たな変化に対応するのに役立ちます。 炭素排出量の削減を目標とし、信頼性と経済性で「灯りを点ける」ことを目指す
0.77
way (Fig. 1). However, to facilitate the process towards decarbonization, many open questions persist in implementing practical AI approaches in digitized power grids, including domain-agnostic computing and AI advances, use-inspired AI algorithm development, and cyber-physical security and privacy in a massively digitized power grid. 通り(第1図)。 しかし、脱炭へのプロセスを促進するために、ドメインに依存しないコンピューティングやAIの進歩、利用にインスパイアされたAIアルゴリズムの開発、大規模なデジタル化された電力グリッドにおけるサイバー物理セキュリティとプライバシなど、多くのオープンな質問がデジタル化された電力グリッドにおける実践的なAIアプローチの実装に続いている。 0.52
To this end, this paper aims to provide a comprehensive review of the stateof-the-art practice of power grid digitization transformation, which focuses on three backbone factors: data, computing, and algorithms. そこで本稿は,データ,計算,アルゴリズムという3つのバックボーン要素に着目した,パワーグリッドデジタル化変換の最先端の実践を総合的に検討することを目的とする。 0.76
Specifically, this paper provides a review of the recent progress in data acquisition, computing capability, and AI algorithms that are applicable to power systems. 具体的には,電力システムに適用可能なデータ取得,計算能力,aiアルゴリズムの最近の進歩について概観する。 0.68
Successful industry use cases are introduced to illustrate applications of AI algorithms on large real-world data sets. 業界で成功したユースケースは、大規模な実世界のデータセットに対するAIアルゴリズムの応用を説明するために紹介されている。
訳抜け防止モード: 成功した産業利用事例が紹介される 大規模な実世界データセットに対するAIアルゴリズムの応用を説明する。
0.67
The rest of the paper is organized as follows. 残りの論文は以下の通り整理される。 0.66
Section II provides an overview of power grid operation and planning practices, as well as the challenges posed by decarbonization. 第2節では、電力グリッドの運用と計画の実践の概要と、脱炭による課題について概説している。
訳抜け防止モード: 第2節では電力グリッドの運用と計画について概観している。 脱炭がもたらす課題だけでなく
0.71
Sections III, IV and V provide a comprehensive review of data, computing, and algorithmic advances in power systems. 第III節、第IV節、第V節は、電力システムにおけるデータ、計算、アルゴリズムの進歩に関する包括的なレビューを提供する。 0.55
Section VI provides an industry perspective on AI adoption. 第6節は、AIの採用に関する業界的な視点を提供する。 0.42
Finally, Section VII concludes the paper with remarks on future directions for power grid modernization. 最後に、第7節では、電力網の近代化に向けた今後の方向性について述べて、論文を締めくくっている。 0.44
Fig. 1. Tri-factors of digitization are enabling technologies that facilitate the process towards power grid decarbonization while simultaneously meeting requirements in the aspects of reliability, cost of electricity, and carbon emission, while power grid decarbonization steers use-inspired development of power grid digitization. 図1。 デジタル化の3要素は、信頼性、電力コスト、二酸化炭素排出量の面において要求を満たすと同時に、電力グリッドの脱炭プロセスを促進する技術を可能にしている。 0.43
II. PHYSICAL AND MARKET OPERATIONS OF POWER II。 電力の物理・メケット運転 0.57
SYSTEMS Modern power grids are being driven by strong momentum of decarbonization [36] with decentralization and transportation electrification. システム 現代の電力網は, 分散型化と輸送電化により, 脱炭素化の強い勢いで推進されている. 0.67
Fig 2 shows the brief conceptual diagram of a modern power grid, which can be separated into transmission and distribution systems. 図2は、送電系統と配電系統に分けられる現代の電力網の簡単な概念図を示している。 0.78
Transmission systems refer to bulk systems that have voltages higher than 66 kV and consist of generation, substation and transmission lines, which are usually operated by state-wide or cross-state system operators. 送電システムは66kV以上の電圧を持つバルク系を指し、通常は州全体または州横断のシステムオペレーターによって運行される、発電、変電所、送電線で構成される。 0.60
Distribution systems refer to close-to-users systems that have voltages lower than 33 kV and connect to residential, commercial and industrial load, which are usually operated by local utility companies. 配電システムは、33kV未満の電圧を持ち、住宅、商業、工業の負荷に接続する、通常地元の公共事業会社によって運営されるユーザ間システムを指す。 0.64
Power grid decarbonization is changing the energy portfolio in terms of generation resources, such as increasing commercial-size solar PV and wind farms in transmission systems, and DERs such as rooftop solar PV in distribution systems. 電力グリッドの脱炭は、送電システムにおける商用規模のソーラーPVや風力発電所の増加や、配電システムにおける屋上ソーラーPVのようなDERといった発電資源でエネルギーポートフォリオを変更している。 0.67
Power electronics-based inverters are thus being deployed to convert electricity by renewables from 電力電子機器をベースとするインバータは、再生可能エネルギーで電力を変換する。 0.57
Advanced AI algorithmsPower grid digitizationEnabling technologyUse-inspir ed developmentCost of electricity Power grid decarbonization 高度なAIアルゴリズム 電力グリッドのデジタル化 テクノロジー 電力グリッドの非炭化 0.76
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 3 Fig. 2. IEEEの成果 3 図2。 0.53
Conceptual diagram of a modern power grid, consisting of transmission and distribution systems. 送電系統と配電系統からなる近代電力網の概念図。 0.66
The high-voltage transmission system consists mainly of generation, substation, and transmission lines. 高電圧伝送システムは、主に発電、変電所、送電線で構成される。 0.64
The low-voltage distribution system supplies electricity to residential, commercial, and industrial load. 低電圧の配電システムは住宅、商業および工業用負荷に電力を供給する。 0.73
Decarbonization has promoted utility-scale renewable generation, distributed energy resources and electric vehicles, while reducing investment in thermal generation. 脱炭は、実用規模の再生可能エネルギー、分散型エネルギー資源、電気自動車を推進し、熱発電への投資を減らした。
訳抜け防止モード: 脱炭は, 大規模再生可能エネルギー, 分散エネルギー資源の促進に寄与した 電気自動車は 熱発電への投資を減らしています
0.62
Digitization has contributed to the reform and upgrade of control centers through the development of cloud data storage and computing and the deployment of massive digitized sensors across the grid. デジタル化は、クラウドデータストレージとコンピューティングの開発と巨大なデジタル化センサーのグリッド全体への展開を通じて、コントロールセンターの改革とアップグレードに寄与した。 0.78
direct current (DC) to alternating current (AC). 直流(DC)から交流(AC)への直流。 0.72
Transportation electrification introduces a rapidly expanding number of electric vehicles into distribution systems. 輸送電化は、急速に拡大する電気自動車を流通システムに導入する。 0.71
The modern power system operations in high-voltage transmission systems can be broken down into two categories [37]. 高電圧伝送システムにおける現代の電力系統の運用は2つのカテゴリー[37]に分けられる。 0.80
The first category is physical operations, which are responsible for the grid’s physical security1 and resource adequacy;2 the second concerns market operation. 第1のカテゴリは物理的なオペレーションであり、グリッドの物理的セキュリティ1とリソースの充実に責任がある。
訳抜け防止モード: 第一のカテゴリーは、物理的な操作である。 グリッドの物理的セキュリティ1とリソースの妥当性;2が市場運用に関する問題である。
0.68
Both physical and market operations are summarized in Fig 3. 物理と市場の両方の業務は、図3にまとめられている。 0.61
A. Functions of Physical Operation and Planning A. 身体操作と計画の機能 0.76
Power system operation and planning fulfills the reliability of power systems via multiple functions including real-time monitoring, control, protection, and system reliability analysis. 電力系統の運用と計画は、リアルタイム監視、制御、保護、システムの信頼性分析を含む複数の機能を通じて電力系統の信頼性を満たす。
訳抜け防止モード: 電力系統の運用と計画は、リアルタイム監視を含む複数の機能を通じて電力系統の信頼性を満たす。 制御 保護 システム信頼性分析
0.85
A system-wide monitoring system collects and processes measurements, and presents intuitive information to system operators via visualization and alarming. システムワイドモニタリングシステムは計測を収集・処理し、可視化と警報によってシステムオペレーターに直感的な情報を提示する。 0.69
A control system performs control actions either manually or by automated procedures. 制御システムは、手動または自動手順で制御動作を行う。 0.84
A protection system executes prescribed corrective measures upon detection of anomalies within targeted system components, which is achieved mainly by local sensors and actuators. 保護システムは、主に局所センサやアクチュエータによって達成される対象システムコンポーネント内の異常を検出するための所定の補正措置を実行する。 0.81
Reliability analysis provides instructions on decision making of multiple time horizons to guarantee the system within adequacy and security criteria. 信頼性分析は、妥当性とセキュリティ基準内でシステムを保証するために、複数の時間軸の意思決定に関する指示を提供する。 0.61
Load and renewable forecasting provides input for both system and market operation, by estimating uncertain net load 負荷及び再生可能予測は、不確実な純負荷を推定することにより、システムと市場の両方に入力を提供する 0.63
1Physical security in power systems refers to the ability to resist contingency disturbances, such as a transmission line short circuit and loss of system components. 1 電力系統における物理セキュリティとは、送電線短絡回路やシステム部品の損失など、緊急障害に抵抗する能力を指す。 0.74
2Resource adequacy in power systems refers to the ability to supply electricity that accommodates load variation, renewable uncertainty, and system component outages. 2Resource Adequacy in power systemは、負荷変動、不確実性、システムコンポーネントの停止を許容する電力を供給する能力を指す。 0.65
and renewable generation of various projection horizons. 様々な予測地平線を再生できるのです 0.51
Load forecasting covers various prediction horizons spanning hours, days, weeks, months, and years ahead, whereas renewable forecasting provides only hours and days-ahead predictions. 負荷予測は時間、日、週、月、数年にわたる様々な予測地平線をカバーし、一方再生可能予測は時間と日頭予測のみを提供する。 0.64
In real-world power grids, short-term load forecasting typically has high accuracy and renewable forecasting also has acceptable errors that can be mitigated by real-time operation of dispatchable resources. 実世界の電力網では、短期負荷予測は一般的に精度が高く、再生可能負荷予測もまた、ディスパッチ可能なリソースのリアルタイム操作によって緩和できる許容誤差を持つ。 0.63
Real-time monitoring and control are implemented mostly by energy management systems (EMS) in the control center, the primary functional modules of which mainly include supervisory control and data acquisition (SCADA), state estimation (SE), and automatic generation control (AGC). リアルタイム監視と制御は、主に制御センターのエネルギー管理システム(ems)によって実装され、主要な機能モジュールには、監視制御とデータ取得(scada)、状態推定(se)、自動生成制御(agc)が含まれる。 0.78
The SCADA system fulfills measurement acquisition and control telemetry through communication channels between the control center and remote terminal units (RTUs), at the respective electrical station or device. SCADAシステムは、制御センタと遠隔端末ユニット(RTU)間の通信チャネルを介して、各電気ステーションまたは装置で測定取得及び制御テレメトリを実行する。 0.88
Typically, the data acquisition function collects measurements every 2 to 10 seconds, of which the data stream is a key enabling factor for realizing other functionalities such as state estimation, real-time control, unit commitment, and economic dispatch. 通常、データ取得関数は、2秒から10秒ごとに測定値を集め、データストリームは状態推定、リアルタイム制御、単位コミットメント、経済ディスパッチといった他の機能を実現する鍵となる要素である。 0.74
For accurate situational awareness of the system’s current operation, function SE provides the steady-state estimation of system variables that are not directly observed in streaming SCADA data. システムの現在の動作を正確に把握するために、関数SEは、SCADAデータのストリーミングで直接観測されないシステムの変数を定常的に推定する。 0.80
As one of the major real-time control, primary and secondary generation control are implemented to 主要なリアルタイム制御の一つとして、プライマリおよびセカンダリ世代制御が実装されている。
訳抜け防止モード: 主要なリアルタイムコントロールの1つとして、プライマリ 第二世代制御は
0.77
(i) regulate load frequency, and (i)負荷周波数を規制し、 0.81
(ii) balance power generation, load demand and cross-area interchange in real time. (ii)発電・負荷需要・地域間交流をリアルタイムにバランスさせる。 0.70
Droop-based generator governors that are responsible for primary control perform instantaneous power quality corrections before triggering protection relays. 一次制御を担当するドループベースのジェネレータは、保護リレーを起動する前に瞬時に電力品質の補正を行う。 0.65
AGC, considered as secondary control, mitigates unavoidable errors of primary control by sending commands from the agcはセカンダリコントロールと見なされ、コマンドをコマンドから送信することで、プライマリコントロールの避けられないエラーを軽減する 0.63
Control centerControl centerHydroWindSolar ThermalNuclearReside ntial loadCommercial loadIndustrial loadDistributed energy resourcesElectric vehiclesControl centerElectrical measurement dataStep-up substationTransforme rInverterStep-down substationTransforme rControl signalTransmission systemDistribution systemTransmission lines 制御センター制御センターヒドロウィンドソルサーマル核リシデンシャル負荷 産業負荷分散型エネルギー資源 電動車両制御センター電気計測データstep-up substationtransforme rinverterstep-down substationtransforme rcontrol systemdistribution systemtransmission lines 0.45
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 4 Fig. 3. IEEEの成果 4 図3。 0.53
Structure of physical and market operation in transmission systems. 伝送システムにおける物理・市場運用の構造 0.77
control center to participating generation units every 2 to 4 seconds [38]. 制御センターから参加生成ユニットへ 2秒から4秒ごとに[38] 0.85
Real-time protection is mainly implemented by protective relays that are equipped to critical assets, such as generation units and substations. リアルタイム保護は主に、ジェネレーションユニットや変電所などの重要な資産を備えた保護リレーによって実装されている。 0.66
In high-voltage transmission systems, protective relays should clear faults within several cycles3 to avoid further system deterioration. 高電圧伝送システムでは、保護リレーは、さらなるシステム劣化を避けるために、数サイクル3内の障害をクリアする必要がある。
訳抜け防止モード: 高電圧伝送システムでは、保護リレーは数サイクルで断層をクリアする。 システム劣化を避けるためです
0.66
Similarly, a distribution management system (DMS) enables real-time monitoring in the distribution system, with a few similar functions to EMS, such as SCADA and event analysis [39]. 同様に、分散管理システム(DMS)は、SCADAやイベント分析[39]など、EMSに類似した機能を持つ分散システムにおけるリアルタイムモニタリングを可能にする。 0.85
It is worth noting that most field devices in the distribution systems are manually operated rather than remotely controlled, indicating a lower level of automation compared to the transmission system. 分散システム内のほとんどのフィールドデバイスは、遠隔操作ではなく手動で操作されており、トランスミッションシステムに比べて自動化のレベルが低いことは注目に値する。 0.71
System reliability analysis entails adequacy, static security and dynamic security analysis [23], [40], [41]. システムの信頼性分析には、妥当性、静的セキュリティ、動的セキュリティ分析 [23], [40], [41]が含まれる。 0.85
Security analysis focuses on the process of system state transitions initiated by reasonable disturbances such as short circuits and loss of system components. セキュリティ分析は、短い回路やシステムコンポーネントの損失などの合理的な障害によって引き起こされるシステム状態遷移のプロセスに焦点を当てている。 0.75
Static security analysis (SSA) evaluates the viability of post-event equilibrium by calculating power flow or optimal power flow to check whether a power or voltage violation happens after an N − 1 contingency.4 静的セキュリティ分析(SSA)は、N−1共振器の後に電力または電圧違反が発生したかどうかを確認するために、電力フローまたは最適電力フローを計算することにより、後平衡の生存可能性を評価する。
訳抜け防止モード: 静的セキュリティ分析(SSA)は、電力フローまたは最適電力フローを計算し、ポスト-イベント平衡の生存可能性を評価する。 電源または電圧違反は N − 1 同時発生後に起こる
0.76
3One cycle of a 60-Hz electric power system is about 16 ms. 4The N − 1 contingency refers to loss of a single system component, such 60Hzの電力システムの1サイクルは約16ミリ秒である。
訳抜け防止モード: 60Hzの電力システムの1サイクルは約16ミリ秒である。 4 N − 1 は単一系成分の損失を意味する。
0.77
as generation outage and transmission line tripping. 停電と送電線のトリップとして 0.52
Dynamic security analysis (DSA) evaluates the ability of the system to transition from one equilibrium to another postevent equilibrium within security criteria [23] by simulating on system dynamic models. 動的セキュリティ分析(dsa)は、システムの動的モデルをシミュレートすることにより、セキュリティ基準 [23] 内のある平衡から別の事後平衡へ移行するシステムの能力を評価する。 0.82
Adequacy analysis quantifies the system’s capacity for sustainable supply that accommodates load variation, renewable uncertainty and system component outages by several manually defined indices. 適切な分析は、いくつかの手動で定義された指標によって負荷変動、再生可能不確実性、システムコンポーネントの停止に対応する持続可能な供給の能力を定量化する。 0.51
A typical method for adequacy and security analysis is numerical simulation. 妥当性とセキュリティ分析の典型的な方法は数値シミュレーションである。 0.79
Due to time intensity, these reliability analysis methods tend to be impractical for real-time security control during contingencies. 時間的強度から,これらの信頼性解析手法は,リアルタイムのセキュリティ制御には実用的でない傾向がある。
訳抜け防止モード: 時間的強度から 信頼性分析手法は 緊急時にリアルタイムのセキュリティ制御に非現実的になる。
0.80
SSA and DSA are used in short-term scheduling, such as generation scheduling, which is performed daily or every few hours. SSAとDSAは、毎日または数時間毎に実行される生成スケジューリングなど、短期的なスケジューリングで使用される。 0.79
Adequacy analysis and SSA are typically used for midterm planning, such as facility maintenance, that is performed every several months to one year. 適切な分析とSSAは、通常、数ヶ月から1年毎に行われる施設整備などの中間計画に使用される。
訳抜け防止モード: 適切な分析とSSAは一般的に施設整備などの中間計画に使用される。 数ヶ月から1年ごとに行われます
0.82
Also, both adequacy and security analysis are used for long-term planning, which occurs annually or every few years. また、適度性とセキュリティ分析は、毎年または数年ごとに行われる長期計画に使用される。 0.83
B. Functions of Market Operation Market operation in wholesale electricity markets aims to maximize social welfare while obeying physical constraints. B.市場運営の機能 ホールセール電力市場の市場運営は、物理的制約を順守しながら社会福祉を最大化することを目的としている。 0.62
Wholesale markets comporise day-ahead and real-time energy markets, capacity markets, financial transmission right (FTR) markets and ancillary service markets. 売り場市場は、日頭とリアルタイムエネルギー市場、キャパシティ市場、金融トランスミッション権(FTR)市場、およびアシラリーサービス市場を構成する。 0.68
Both day-ahead and Economic dispatchUnit commitmentMarket operationSystem operationSystem security analysisSystem adequacy analysisSupervisory control and data acquisitionReal-time controlShort-termLon g-termState estimationGeneration SubstationLoadLoad and renewable forecastingDay-ahead energyReal-time energySCADA dataMarket participantsBidsLong /mid/short-term planningLMPCapacityF inancial transmission rightAncillary serviceControl signalsSchedulesSecu rity constraintsLoad and renewable forecasting 日頭・日頭ともに economic dispatchunit commitmentmarket operationsystem security analysis system adequacy analysis supervisory control and data acquisition real-termstate estimationgeneration substationloadload and renewable forecastingday-ahead energyscada datamarket participantsbidslong /mid/short-term planninglmpcapacityf inancial transmission rightancillary servicecontrol signalsschedulessecu rity constraintsload and renewable forecasting
訳抜け防止モード: 日頭・日頭ともに システム セキュリティ分析 システム セキュリティ分析 システム システム セキュリティ分析 システム セキュリティ分析 スーパーバイザリコントロールとデータ取得 ショート - termLong - termState EstimationGeneration SubstationLoadLoad and renewable forecastingDay - ahead EnergySCADA dataMarket participantsBidsLong / mid / short - term planningLMPCapacityF inancial transmission rightAncillary serviceControl signalSchedulesSecur ity constraintsLoad 再生可能エネルギーの予測は
0.44
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 5 real-time energy markets determine clearing prices based on bids from market participants, incorporating physical constraints and potential restrictions. IEEEの成果 5 リアルタイムエネルギー市場は、市場参加者からの入札に基づいて物的制約と潜在的な制約を取り入れて価格をクリアする。 0.54
Capacity markets ensure long-term system reliability. キャパシティ市場は長期システムの信頼性を保証する。 0.60
FTR markets entitle market participants to offset potential losses (hedge) related to the price risk of delivering energy to the grid. ftrマーケットは、グリッドにエネルギーを供給する価格リスクに関連する潜在的な損失(hedge)を相殺する権限を市場参加者に与える。 0.66
Ancillary service markets provide regulation and reserve. 補助サービス市場は規制と予備権を提供している。 0.52
Unit commitment (UC) and economic dispatch (ED) are two major security-constrained , bid-based mechanisms to handle the scheduling of generation and the management of system congestion. ユニットコミットメント(UC)とエコノミックディスパッチ(ED)は、ジェネレーションのスケジューリングとシステム混雑の管理を扱う2つの主要なセキュリティ制約された入札ベースのメカニズムである。 0.72
Both UC and ED are typically formulated as large-scale nonlinear/linear programming problems, known as optimal power flow (OPF). UC と ED は、通常、オプティマイトパワーフロー (OPF) として知られる大規模非線形/線形プログラミング問題として定式化されている。 0.59
Providing forecasted load and renewable as input, the UC function determines when and which generation units start up and shut down in day-ahead markets. 予測負荷と再利用可能な入力を提供することで、UC関数は、日頭市場でいつ、どの世代ユニットが起動してシャットダウンするかを決定する。
訳抜け防止モード: 負荷予測と再生を入力として提供する。 UC関数はいつ、どの生成単位を決定する 一日中立ち上がってシャットダウンする -先進市場。
0.65
The ED function calculates the power output of each committed generation unit and associated local marginal prices (LMPs). ED関数は、各コミット生成ユニットの出力と関連する局所限界価格(LMP)を算出する。 0.74
ED is performed to meet the day-ahead hourly forecasted load in day-ahead energy marketsas well as to meet the minute-ahead forecasted load every 5 to 10 minutes in real-time energy markets [42]. EDは、日頭エネルギー市場における日頭予測負荷と、リアルタイムエネルギー市場における分頭予測負荷を5~10分毎に満たすため実施される[42]。 0.79
In today’s distribution grids, the retail merket contains few centralized operation or scheduling functions, such as UC and ED, in the retail market. 今日の流通網では、小売市場において、UCやEDのような中央集権的なオペレーションやスケジューリング機能がほとんどない。 0.56
Given the proliferation of DERs in distribution grids such as distributed generation, interruptible load, and electricity storage, the retail market will involve system upgrades and reforms in the future to accommodate DER market participation, and to establish an appropriate mechanism of scheduling and compensation [43]. 分散型電源、遮断可能な負荷、電力貯蔵などの配電網におけるdersの普及を踏まえると、小売市場は将来的にder市場への参加に対応するためのシステムアップグレードと改革を伴い、スケジューリングと補償の適切なメカニズムを確立する [43]。 0.79
C. Challenges of Decarbonizing Power Grid C. 脱炭電力グリッドの課題 0.86
Renewable integration and transportation electrification at scale impose challenges on the paradigm of protection and control. 再生可能エネルギーの統合と輸送の電化は、保護と制御のパラダイムに課題を課す。 0.70
The emergence of massive grid-following and gridforming inverted-based resources (IBRs) may challenge the effectiveness and efficiency of the current central control frame due to the unknown impacts of electromagnetic dynamics and low inertia. 大規模グリッドフォロイング・グリッドフォーミング・インバートベース・リソース(IBR)の出現は、電磁力学と低慣性の影響の未知の影響により、現在の中央制御フレームの有効性と効率に挑戦する可能性がある。 0.62
DERs at the grid edge may create bi-directional power flows that potentially incur malfunctions of the protective relays in distribution grids. グリッドエッジのdersは、分散グリッドにおける保護リレーの誤動作を引き起こす可能性のある双方向電力フローを発生させる可能性がある。
訳抜け防止モード: グリッドエッジのDERは双方向の電力の流れを発生させるかもしれない 配電網の保護リレーの 故障の可能性がある
0.65
Besides, typical methods for adequacy and security analysis are numerical simulations that highly rely on grid models of multiple time scales, including electromagnetic dynamic (very fast), electromechanical dynamic (fast), and steady state (slow). また, 電磁力学(超高速), 電気機械力学(高速), 定常状態(低速)など複数の時間スケールの格子モデルに大きく依存する数値シミュレーションを行う。
訳抜け防止モード: また,複数の時間スケールの格子モデルに強く依存する数値シミュレーションが適性解析やセキュリティ解析の典型的な手法である。 電磁力学(超高速)、電気機械力学(高速)を含む。 そして定常状態(遅い)。
0.84
However, system characteristics are being changed due to the proliferation of inverter-interfaced renewable resources and EVs in modern power grids, such as low inertia and deeper integration of transmission and distribution systems. しかし, インバータに面した再生可能エネルギーとEVの普及により, 低慣性, 送電・配電システムのより深い統合など, システム特性が変化している。 0.70
These emerging system characteristics create a need for new requirements on the existing models to determine whether the system is within critical security criteria. これらの新興システム特性は、システムが重要なセキュリティ基準内にあるかどうかを判断するために、既存のモデルに対する新しい要求を生成する。
訳抜け防止モード: これらの新興システム特性は,既存モデルに対する新たな要件を創出する システムが重要なセキュリティ基準内にあるかどうかを判断する。
0.79
For example, there is an urgent need for the study of several topics in order to handle the growing system complexity, including 例えば、システムの複雑さの増加に対処するためには、いくつかのトピックの研究が緊急に必要である。 0.76
(i) electromagnetic transient models to reveal the fast dynamics by power electronicbased system components, (i)電力電子系部品による高速ダイナミクスの解明のための電磁過渡モデル 0.80
(ii) system-level joint simulation between transmission and distribution models to reveal the increasing cross-system interaction, and (ii)送電・配電モデル間のシステムレベルジョイントシミュレーションによるシステム間相互作用の増大
訳抜け防止モード: (ii)システム-伝達モデルと分布モデルの間のレベルジョイントシミュレーション システムの相互作用が増大し
0.87
(iii) cross-domain electricity-transpor tation models to incorporate the impacts of transportation networks on EVs. 三 輸送網のEVへの影響を考慮したクロスドメイン電気輸送モデル 0.74
Market operation also faces the challenge of managing potential market risks resulting from the variability and stochasticity of renewable generation [44]. 市場運営は、再生可能エネルギーの変動性と確率性に起因する潜在的な市場リスクの管理にも直面する[44]。 0.78
Strong uncertainty is a key obstacle to economic dispatch to 強い不確実性は経済の派遣にとって重要な障害である 0.64
(i) maintain system stability as tertiary frequency control and 二 第三周波数制御としてシステムの安定性を維持すること。 0.59
(ii) avoid unexpected renewable curtailment to the greatest possible extent to achieve decarbonization. (ii)脱炭素化を実現するために、最も可能な範囲まで、予期せぬ再生可能減量を避けること。 0.51
Current wholesale markets may not be sufficiently prepared to accommodate increasingly frequent extreme weather events such as the 2021 Texas power outage event [45] to prevent spiking price and mitigate energy scarcity. 2021年のテキサス停電イベント[45]など、頻繁な極端な気象イベントに対応する準備が整っていないため、価格の急騰を防ぎ、エネルギー不足を和らげることができる。 0.70
Specifically, strong uncertainty regarding system net load and intermittent renewables generation in future grids will raise severe challenges for the accuracy and robustness of short-term load and renewable prediction. 特に、将来のグリッドにおけるシステムネット負荷と断続的な再生可能エネルギー発生に関する強い不確実性は、短期的な負荷の正確性と堅牢性と再生可能エネルギー予測の厳しい課題を提起する。 0.55
Deepening transportation electrification may also undermine the existing enduse and econometric models for medium and long-term load forecasting [46]. 輸送電化の深化は、中長期負荷予測のための既存の耐久・計量モデルも損なう可能性がある[46]。 0.65
The distribution system also faces a growing number of facility challenges. 流通システムもまた、多くの施設の課題に直面している。 0.54
Aging power lines may limit maximum use of renewable energy sources, such as wind farms and utility scale solar, especially in less populated areas where large renewable energy installations are located. 老朽化した電力線は風力発電や太陽光発電のような再生可能エネルギー源の最大使用を制限し、特に大規模な再生可能エネルギー施設がある低人口地域ではなおさらである。 0.68
The utilization and availability of DERs installed in densely populated areas can be affected by frequent localized outages intermittently that may be recognized by the control center. 人口密度の高い地域に設置されたdersの利用と可用性は、制御センターによって断続的に認識される頻繁な局所的停止によって影響を受ける可能性がある。 0.56
Given stronger integration and correlation between transmission and distribution grids, facility outages, such as transformer failures, may cause wider impacts. 送電網と配電網の結合と相関が強くなると、変圧器の故障など設備の故障がより大きな影響を与える可能性がある。 0.59
Furthermore, in aiming to establish a competitive retail market in the distribution system, there multiple critical problems remain unsolved, such as LMP calculation and demand response modelling; however, these are beyond the scope of the paper. さらに、流通システムにおける競争力のある小売市場を確立するために、LMP計算や需要応答モデリングなど、いくつかの重要な問題が未解決のまま残っているが、これらは論文の範囲を超えている。 0.68
Overall, the profound changes by decarbonization are posing and will continue to pose numerous challenges to all aspects of physical reliability and economics. 全体として、脱炭による大きな変化は現れており、身体的信頼性と経済のあらゆる面に多くの課題をもたらし続けている。
訳抜け防止モード: 全般的に 脱炭素による深刻な変化は 物理的信頼性と経済学のあらゆる面に多くの課題を課す。
0.68
Given massive data acquisition as the “fuel” and high computing power as the “engine,” applying advanced data-driven AI-based approaches as an “autopilot” have the potential to steer the vehicle forward in a flexible and risk-aware manner. 燃料”としての膨大なデータ取得と“エンジン”としてのコンピューティング能力を考えると、高度なデータ駆動aiベースのアプローチを“オートパイロット”として採用することは、車両を柔軟かつリスク対応の方法で前進させる可能性を秘めている。 0.71
III. DATA ACQUISITION IN DIGITIZED POWER GRIDS In broad industry sectors, large-volume and heterogeneously structured data have been generated at an unprecedented rate by diverse resources since 2010 [24]–[26], such as Internet of Things (IoT) records, social media, smart devices, and healthcare systems. III。 DIGITIZED POWER GRIDS 幅広い産業分野において、2010年[24]-[26]以降、インターネット・オブ・モノ(IoT)レコード、ソーシャルメディア、スマートデバイス、医療システムなど、さまざまなリソースによって、大容量および均一に構造化されたデータが前例のない速度で生成される。 0.74
The availability of such tremendous volumes of data has facilitated numerous applications of valuable knowledge extraction in sectors [47] such as spanning manufacturing [48], healthcare [49], government [50], retail [51], infrastructure [52]–[54]. このような膨大な量のデータが利用可能になったことで、製造[48]、医療[49]、政府[50]、小売[51]、インフラ[52]–[54]など、セクター[47]における貴重な知識抽出の多くの応用が促進された。 0.71
In particular, numerous high-quality open-source training datasets [55] have been created to boost AI research in the aspects of model training, testing, calibration, and benchmarking. 特に、モデルトレーニング、テスト、キャリブレーション、ベンチマークといった面でAI研究を促進するために、多数の高品質なオープンソーストレーニングデータセット[55]が作成されています。 0.55
Moving with the tide of digitizing power systems, 電力システムのデジタル化の潮流と共に動きます 0.67
the explosive growth of data resources has also created massive volumes of data in heterogeneous formats, including electrical measurements that span across grids vertically, such as sensors データ資源の爆発的な成長は、センサーのようなグリッドを垂直に横断する電気測定を含む、異種形式の大量のデータも生成した。 0.76
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 6 installed on grid-level components, smart meters and smart appliances as well as non-electrical measurements, such as weather, social media, traffic and geographic information [56]. IEEEの成果 6 グリッドレベルのコンポーネントやスマートメータ,スマートアプライアンスに加えて,気象やソーシャルメディア,交通,地理情報など,非電気的測定値にもインストールされています [56]。 0.59
These data have proven very valuable in many use cases such as asset assessment, operation planning, real-time monitoring, and protection [57]. これらのデータは,アセットアセスメントや運用計画,リアルタイム監視,保護など,多くのユースケースで非常に有用であることが証明されています [57]。 0.69
It is worth noting that these basic functionalities have distinct requirements for data quality in perspectives of data accuracy, latency, and sampling rate [58]. これらの基本的な機能は、データの正確性、レイテンシ、サンプリングレート [58] の観点から、データ品質に対する明確な要件を持っています。 0.71
This section will review data acquisition approaches of electrical measurements in the power grids. 本項では電力網における電気測定データ取得手法について概説する。 0.79
A. Real-world Measurements in Power Systems a. 電力システムにおける実世界の計測 0.70
1) Sensors in Transmission Systems: SCADA systems, which have played an important role in transmission system operation, are capable of collecting facility information and sending control signals, which are implemented by the critical component(i.e. RTUs). 1)送信システムにおけるセンサ:送信システム運用において重要な役割を果たすSCADAシステムは、重要なコンポーネント(RTU)によって実装された設備情報を収集し、制御信号を送信することができる。 0.91
SCADA systems collect asynchronous data on bus voltage magnitude as well as active and reactive power flows; the typical reporting rate is merely 1 sample per 2 to 6 seconds. SCADAシステムは、バス電圧の規模の非同期データと、アクティブでリアクティブな電力の流れを収集する。
訳抜け防止モード: SCADAシステムはバス電圧等級の非同期データとアクティブかつ反応性の電力流を収集する 典型的な報告速度は2秒から6秒で1サンプルに過ぎません。
0.76
The wide-range acquisition of SCADA data has facilitated remote monitoring and system operation automation. SCADAデータの広範な取得により、遠隔監視やシステム操作の自動化が容易になった。 0.59
For example, the EMS at the control center is capable of estimating physical state variables that are not directly observable based on SCADA data alone. 例えば、コントロールセンターのemsは、scadaデータのみに基づいて直接観測できない物理状態変数を推定することができる。 0.66
However, due to increasing system complexity and uncertainty, even this successful SCADA-based application is becoming inadequate. しかし、システムの複雑さと不確実性の増加により、この成功しているSCADAベースのアプリケーションでさえ、不十分になりつつある。 0.51
Phasor measurement units (PMUs) have been deployed in the bulk transmission grid at an accelerated rate after the 2003 U.S. blackout [59]. ファーザー計測ユニット(PMU)は、2003年の米国ブラックアウト[59]以降、バルク送電網に加速速度で展開されている。 0.69
PMUs are able to measure the voltage phasors5 at the installed bus (typically substations) and current phasors of the lines connected, along with synchronized time stamps, for which the typical reporting rate is 30 or 60 samples per second. pmusは、設置されたバス(典型的には変電所)の電圧ファサー5と接続された線路の電流ファサーと、典型的な報告レートが毎秒30または60サンプルである同期タイムスタンプを測定することができる。 0.75
Compared to SCADA, PMUs’ high accuracy of time stamps and sensing, low latency, and high sampling rate of PMU benefit basic functionalities to different degrees [60]: SCADAと比較して、PMUのタイムスタンプとセンシングの高精度、低レイテンシ、高サンプリングレートは、基本的な機能を異なる程度に向上させる[60]。 0.65
(i) more real-time control and protection applications become potentially implementable due to all of these advantages, such as remedial action schemes including grid islanding and shortterm stability control; (i)グリッドの投棄や短期安定制御等、これらすべての利点により、よりリアルタイムな制御・保護アプリケーションが実現可能となる可能性がある。 0.68
(ii) online system security analysis, such as disturbance detection and situational awareness, can be significantly improved due to low latency; (ii) 障害検出や状況把握などのオンラインシステムセキュリティ分析は、低レイテンシのため大幅に改善することができる。 0.81
(iii) system adequacy analysis for long-term planning, such as model calibration, can be improved due to high accuracy. (iii)モデル校正等の長期計画におけるシステム適性解析は、精度が高いため改善することができる。 0.92
However, it is worth noting that, due to several factors such as high costs and time consumption of installation, only around 2,500 production-grade PMUs have been installed across the North America transmission power grid [61], [62]. しかし、高コスト化や設置時間の消費などいくつかの要因により、北米の送電網で生産級のPMUは2500台程度しか設置されていないことが注目に値する。
訳抜け防止モード: ただし、コストの高騰や設置時間の消費など、いくつかの要因から注意が必要である。 約2,500台しか生産されておらず、北米送電網全体(61台)にグレードpmusが設置されている。 [ 62 ] .
0.62
Digital fault recorders (DFRs) capture and store transient data and sequence of events (SOE) data that can be used for various purposes such as protection scheme monitoring and fault diagnosis, which tend to be implemented offline. デジタル障害レコーダ(dfr)は、オフラインで実行される傾向がある保護スキーム監視や障害診断など、さまざまな目的で使用できる過渡データとイベントシーケンス(soe)データをキャプチャして保存する。 0.79
DFRs have three typical recording mechanisms: steady-state, lowspeed and high-speed disturbance recording modes. dfrは定常モード、低速モード、高速外乱記録モードの3つの典型的な記録機構を有する。 0.60
The disturbance recording modes are usually triggered by signals from 障害記録モードは通常、信号によってトリガーされる 0.80
5Phasors contain magnitude A and phase angle φ of sinusoidal waveforms that can be expressed as Asin(ωt + φ), where ω is 2π × 60 rad/s in a 60-Hz system. 5Phasors は等級 A と位相角 φ を含み、Asin(ωt + φ) と表すことができ、ω は 60Hz の系で 2π × 60 rad/s となる。 0.84
protection relays. The steady-state recording mode captures the min, max and mean values of phasors at a low sampling rate of 1 sample per 10 seconds to 1 hour. 保護リレーだ 定常記録モードは、10秒から1時間に1サンプルの低いサンプリングレートで、ファサーの最小値、最大値、平均値をキャプチャする。 0.66
The low-speed disturbance mode aims to provide phasor-domain information of long-term and short-term disturbances at a sampling rate of 1 sample per 1 to 10 cycles. 低速外乱モードは、1〜10サイクル毎に1サンプルのサンプリングレートで長期および短期外乱のファサードメイン情報を提供することを目的としている。 0.62
The high-speed disturbance mode aims to record instantaneous time-domain voltage and current measurements of transient faults at a sampling rate of hundreds of samples per cycle. 高速外乱モードは、1サイクルあたり数百サンプルのサンプリングレートで瞬時時間領域電圧と過渡断層の電流測定を記録することを目的としている。 0.70
2) Sensors in Distribution Systems: The rapid expansion of advanced metering infrastructure (AMI) meters at grid edge has created massive amounts of residential electricity consumption data, typically at a rate of 1 sample every 1 or 5 minutes. 2) 配電系統におけるセンサ: グリッドエッジにおける高度計測インフラ(AMI)の急速な拡張により, 1~5分毎に1サンプルの割合で大量の住宅電力消費データが作成されている。 0.86
For example, the Pacific Gas and Electric Company collects more than 3 terabytes of power data from 9 million smart meters across the grid in the territory, and the State Grid Corporation of China collects 200 terabytes of data per year [63]. 例えば、パシフィック・ガス・アンド・エレクトリック・カンパニーは、この地域のグリッド全体で900万のスマートメーターから3テラバイト以上の電力データを収集し、中国のステートグリッド・コーポレーションは年間200テラバイトのデータを収集している[63]。 0.64
SCADA in distribution systems has facilitated remote monitoring and automated operation in multiple aspects, such as substation, feeder, and end-user load control. 分散システムにおけるSCADAは、サブステーション、フィード、エンドユーザー負荷制御など、複数の面でリモート監視と自動操作を容易にする。 0.64
In substation systems, SCADA gathers data including voltage magnitude, current magnitude and binary status of facilities such as switches, breakers, and transformers. サブステーションシステムでは、SCADAはスイッチ、ブレーカー、変圧器などの設備の電圧等級、電流等を含むデータを収集する。 0.61
In typical feeder systems, SCADA facilitates the collection of historical data from feeder status of devices such as controlled load break switch and reclosers. 典型的なフィードシステムでは、SCADAは、制御されたロードブレークスイッチやリクローザなどのデバイスのフィードのステータスから履歴データの収集を容易にする。 0.58
In end-user load, SCADA collects all meter data from the end users. エンドユーザの負荷では、SCADAはエンドユーザからすべてのメーターデータを収集します。 0.64
The frequency disturbance recorder (FDR), one of representative PMU applications in distribution systems, is a GPS-synchronized single-phase PMU at ordinary 120-volt wall outlets. 周波数障害レコーダ(英: frequency disturbance Recorder、FDR)は、通常の120ボルトの壁面出口におけるGPS同期単相PMUである。 0.57
FDRs have the advantages of low cost and high deployability; they can be deployed even at residential households and campuses [64]. fdrは低コストでデプロイ性が高いという利点があり、住宅やキャンパスでもデプロイできます [64]。 0.56
Using hundreds of FDRs that have been strategically placed across the U.S., the frequency monitoring network FNET/GridEye [65] is able to provide visualized nation-wide frequency monitoring. 米国全体で戦略的に配置された数百のFDRを使用して、FNET/GridEye [65]は、全国の周波数監視を可視化することができる。 0.67
B. Artificially Generated Power System Data B. 人工発電システムデータ 0.76
Artificially generated data are commonly used for power system research for two major reasons: 人工的に生成されたデータは、主に2つの主な理由から電力システム研究に使用される。 0.60
(i) most real-world operational data are protected by policies such as Critical Energy/Electric Infrastructure Information (CEII) owing to confidentiality, and (i)ほとんどの実世界の運用データは、機密性による臨界エネルギー・電気インフラ情報(CEII)等の政策で保護されている。 0.66
(ii) real-world measurement datasets of high-impact events are usually insufficient for data-driven model training, due to the reliability of real-world power grids, which ensures that high-impact events are rare. (II)高インパクト事象の実世界計測データセットは、実世界の電力グリッドの信頼性のため、データ駆動モデルトレーニングには不十分であり、高インパクト事象はまれである。 0.67
Alternatively, artificial data generation methods facilitate the gathering of arbitrary numbers of data samples under varying scenarios and conditions, including voltage, current, frequency, and even machine inner state measurements across grid models. あるいは、人工データ生成手法は、電圧、電流、周波数、さらにはグリッドモデル全体の機械内部状態測定を含む様々なシナリオと条件の下で、任意の数のデータサンプルの収集を容易にする。 0.70
1) Model-based Simulation: Model-based simulation is one of the most common data acquisition approaches for research and education purposes. 1) モデルベースシミュレーション: モデルベースシミュレーションは、研究と教育のための最も一般的なデータ取得手法の1つである。 0.79
Simulation models of transmission and distribution systems can be categorized into two major types: 送電・配電システムのシミュレーションモデルは次の2つのタイプに分類できる。 0.81
(i) small-scale standard systems and (i)小規模標準システム及び 0.92
(ii) large-scale synthetic systems, which are available at [66]. (ii)大規模合成システムで, [66]で利用可能である。 0.88
IEEE standard IEEE標準 0.42
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 7 there are several key challenges regarding the data for AI algorithms. IEEEの成果 7 AIアルゴリズムのデータには、いくつかの重要な課題がある。 0.56
First, in contrast to numerous datasets that have benefited broad AI communities, the lack of publicly accessible high-quality power datasets may be impeding the advancement of AI research in power systems. まず、幅広いAIコミュニティに恩恵を与えた多くのデータセットとは対照的に、公にアクセス可能な高品質なパワーデータセットの欠如は、電力システムにおけるAI研究の進歩を妨げる可能性がある。 0.65
For example, insufficient data representativeness is one of the decisive factors for data-hungry AI methods. 例えば、不十分なデータ代表性は、データハングリーAIメソッドの決定的な要素のひとつです。 0.60
Real-world measurements cannot provide a sufficient volume of publicly available data due to confidentiality rules and strong grid reliability. 実世界の計測は、機密性ルールと強力なグリッド信頼性のため、十分な量の公開データを提供できない。 0.64
Randomly sampled scenarios in simulation can generate massive amounts of data, but they do not necessarily guarantee representativeness;therefore they likely lead to unexpected training biases, which was demonstrated by the example of ACOPF scenario generation [75]. シミュレーションでランダムにサンプリングされたシナリオは大量のデータを生成するが、必ずしも代表性を保証するわけではない。
訳抜け防止モード: ランダムにサンプリングされたシナリオは大量のデータを生成することができる。 しかし、必ずしも代表性を保証するわけではない。 これはACOPFシナリオ生成[75 ]の例で実証された。
0.72
Second, the feasibility of the proposed AI algorithms may be constrained by the current data acquisition system, as indicated by the data quality requirements of major power system applications [58]. 第2に、提案するaiアルゴリズムの実現性は、主要な電力系統アプリケーションにおけるデータ品質要件で示されるように、現在のデータ取得システムによって制限される可能性がある [58]。 0.74
For example, limited and inappropriate placement of high-sampling sensors that determine situational awareness for a specific task may confine advanced analysis and control including but not limited to practical applications of AI methods. 例えば、特定のタスクに対する状況認識を決定するハイサンプリングセンサーの限定的かつ不適切な配置は、高度な分析と制御を制限し、AI手法の実践的応用に限らない。 0.76
Third, although AI methods may offer unique creativity given cross-domain datasets, they require deep interdisciplinary knowledge and collaboration to identify useful combinations of heterogeneous datasets, which has been demonstrated by few AI-based canonical studies, such as automatic classification of distribution grid phases by camera imaging [76] and comprehension COVID impacts on power sectors by mobile phone location data [77]. 第3に、ai手法は、クロスドメインデータセットを前提として、ユニークな創造性を提供するが、異種データセットの有用な組み合わせを特定するには、学際的な深い知識とコラボレーションが必要であり、カメライメージングによる分散グリッドフェーズの自動分類(76])や携帯電話の位置データによる電力セクターへの新型コロナウイルスの影響の理解(77])など、aiベースのいくつかの標準研究によって実証されている。
訳抜け防止モード: 第三に、AIメソッドはクロスドメインデータセットを与えられたユニークな創造性を提供するかもしれない。 不均一データセットの有用な組み合わせを特定するには 深い学際知識と協力が必要です ごく少数のAIによって実証されている。 カメラ画像による配電格子位相の自動分類 [76] そして、携帯電話の位置データによる電力セクターへの影響を理解する[77]。
0.68
IV. COMPUTING IN DIGITIZED POWER GRIDS IV。 分散パワーグリッドの計算 0.42
Given sufficient available data resources, the implementation of data-driven applications in modern power grids faces computational burdens derived from large-volume, heterogeneous data. 十分なデータ資源が与えられると、現代の電力グリッドにおけるデータ駆動アプリケーションの実装は、大規模な異種データに由来する計算負荷に直面する。 0.63
Such implementation is critical to handle the associated challenges, which include data streaming storage, querying and processing. このような実装は、データストリーミングストレージやクエリ、処理など、関連する課題に対処する上で非常に重要です。
訳抜け防止モード: そのような実施は重要である データストリーミングストレージ、クエリ、処理など、関連する課題に対処する。
0.69
This section will give an overview of state-of-the-art computing that has facilitated general AI, and will then introduce data streaming management systems and data processing platforms [63], [78] in power systems. 本節では,汎用aiを実現する最先端コンピューティングの概要を述べるとともに,電力系統にデータストリーミング管理システムとデータ処理プラットフォーム [63], [78] を導入する。 0.75
A. Overview of State-of-the-art Computing for AI A. AIのための最先端コンピューティングの概要 0.63
The remarkable improvement of computing performance is the key factor in the proliferation of AI, which is attributable to advances in hardware, software, and generic algorithms [27]. 計算性能の顕著な向上は、ハードウェア、ソフトウェア、汎用アルゴリズムの進歩に起因するAIの普及の鍵となる要素である[27]。 0.65
Quantum leaps in computing performance have yielded a variety of practical large-scale AI models, among which the amount of computation for model training has been increasing exponentially with a 3.4-month doubling period [22], [79]. 計算性能の量子飛躍は、様々な実用的な大規模aiモデルを生み出し、モデルトレーニングの計算量は3.4ヶ月の2倍の期間 [22], [79] で指数関数的に増加している。 0.83
The rapid progress of hardware computing resources has been the main driver behind the development of AI models. ハードウェアコンピューティングリソースの急速な進歩は、AIモデルの開発の主要な要因となっている。 0.83
Of particular note, the emergence of general purpose graphics processing units (GPUs) [80] and AI accelerator applicationspecific integrated circuits (ASICs), such as [81]–[84], are capable of dramatically accelerating AI model training. 特に、汎用グラフィック処理ユニット(GPU) [80] と、[81]–[84] のような、AIアクセラレーション固有の集積回路(ASIC)の出現は、AIモデルのトレーニングを劇的に加速させることができる。 0.68
In addition, AI-tailored software has been developed to exploit hardware computing resources [85]. さらに、ハードウェアコンピューティングリソースを利用するためのai対応ソフトウェアも開発された [85]。 0.81
For instance, basic linear algebra subroutine (BLAS) libraries, which were created 例えば、基本線型代数サブルーチン(BLAS)ライブラリは、作成されました。 0.83
Fig. 4. Number of AI/ML/DL papers per simulation model of various system scales. 図4。 各種システムスケールのシミュレーションモデル当たりのAI/ML/DL論文の数。 0.69
Note that we only count typical open-source simulation models, including IEEE standard test cases and large-scale synthetic grids using Google Scholar advanced search among IEEE transaction papers from 2016 to 2021. IEEEの標準テストケースやGoogle Scholarを用いた大規模合成グリッドなど,典型的なオープンソースシミュレーションモデルのみを,2016年から2021年までのIEEEトランザクション論文間の高度な検索でカウントしている点に注意が必要だ。 0.64
test systems are typically used for investigations such as algorithm assessment and power system analysis. テストシステムは通常、アルゴリズムアセスメントやパワーシステム分析などの調査に使用される。 0.87
Researchers have recently contributed to the creation of large-scale synthetic grid models [67] that possess realistic system characteristics. 研究者たちは最近、現実的なシステム特性を持つ大規模合成グリッドモデル[67]の作成に貢献した。 0.76
These large-scale synthetic grids have been used for analysis such as macro-scope energy portfolio transition [68], [69] and quantitative assessment of measures against extreme events [70]. これらの大規模合成格子は, マクロスコープエネルギーポートフォリオ遷移[68], [69], 極端事象対策の定量的評価[70]などの分析に用いられている。 0.87
For intuitive impression, we show the “popularity” of simulation models in Fig 4 by counting the number of corresponding IEEE transaction papers,6 which are used for both machine learning model training and testing. 直感的な印象を得るためには、機械学習モデルのトレーニングとテストの両方に使用される対応するIEEEトランザクション論文6の数を数えることで、Fig 4のシミュレーションモデルの「人気」を示す。 0.70
It is clear that the most commonly used models for AI algorithm training, testing and calibration are the IEEE 39-bus and 118-bus systems, whereas the large-scale models are rarely adopted. aiアルゴリズムのトレーニング、テスト、キャリブレーションに最も一般的に使用されるモデルはieee 39-busと118-busシステムである。
訳抜け防止モード: AIアルゴリズムのトレーニング、テスト、校正に最もよく使われているモデルはIEEE 39バスと118バスである。 一方、大規模なモデルはほとんど採用されていません。
0.64
Please refer to Tables II-V for other simulation models that are not included in Fig 4. 図4に含まれていない他のシミュレーションモデルについて、テーブルII-Vを参照してください。 0.70
2) Hardware Test Bed: The development of hardware-inloop (HIL) simulators has been used to support various types of research, including event detection, situational awareness, wide area monitoring and control, and cyber security [71]. 2)ハードウェアテストベッド:ハードウェアインループ(hil)シミュレータの開発は,イベント検出,状況把握,広域監視と制御,サイバーセキュリティなど,さまざまなタイプの研究をサポートするために使用されている [71]。 0.85
HIL leverages the interface between a real-time software simulator and a hardware system to enable closed loop control [72]. hilは、リアルタイムソフトウェアシミュレータとハードウェアシステムのインターフェースを利用して、クローズドループ制御を可能にする [72]。
訳抜け防止モード: HILはリアルタイムソフトウェアシミュレータ間のインタフェースを活用する ハードウェアシステムや 閉ループ制御 [72 ] を有効にする。
0.84
HIL may play an important role in electromagnetic transient simulation of electronics-rich power grids because of its ability to represent realistic very-fast dynamics. HILは、現実的な超高速ダイナミクスを表現できるため、電子リッチ電力グリッドの電磁過渡シミュレーションにおいて重要な役割を果たす可能性がある。 0.68
This section gives an overview of data acquisition approaches in today’s electric power grids. この記事では、今日の電力グリッドにおけるデータ取得アプローチの概要を紹介する。 0.73
The rapid expansion of advanced sensors across systems and the development of simulation have facilitated massive data acquisition spanning multiple spatial and temporal scales and have further accelerated practical data-driven applications. システム間の高度なセンサの急速な拡張とシミュレーションの開発により、複数の空間的および時間的スケールにわたる大規模なデータ取得が促進され、実用的なデータ駆動アプリケーションをさらに加速した。 0.68
Efforts to explore datadriven innovation, such as big data hubs [73], [74], have also promoted data-intensive research in the power system industry as well as academia and education. ビッグデータハブ [73] や [74] といったデータ駆動型イノベーションを探求する取り組みも、電力システム産業や学界や教育におけるデータ集約的な研究を促進している。 0.81
Despite these advances, これらの進歩にもかかわらず 0.55
6We use the Google Scholar advanced search to count IEEE transaction papers from 2016 to 2021, using several keywords such as “IEEE Transactions on”, “machine learning”, “#-bus system”, “power flow” and “transient”. IEEE Transactions on”,“機械学習”,“#バスシステム”,“パワーフロー”,“トランジェント”といったキーワードを使って,2016年から2021年までのIEEEトランザクション資料をカウントするために,Google Scholarの高度な検索を使用している。 0.75
1010010000100200300I EEE39-busTexas2000-b usIEEE118-busTotalnu mberofpapersNumberof buses 101010000100200300IE EE39-busTexas2000-bu sIEEE118-busTotalnum berofpapersNumberofb uses 0.05
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 8 decades ago [86]–[88], have been used to optimize common linear algebra operations that are recursively executed in deep neural networks [89]–[92]. IEEEの成果 8 何十年も前 [86]–[88] は、ディープニューラルネットワーク [89]–[92] で再帰的に実行される共通線形代数演算を最適化するために使われてきた。 0.63
In particular, Nvidia GPUs, which are widely supported by mainstream deep learning framework [93]–[95], have a highly optimized library cuDNN [96] enabling high-performance GPU acceleration. 特に、主流のディープラーニングフレームワーク[93]-[95]で広くサポートされているNvidia GPUは、高性能GPUアクセラレーションを実現するために高度に最適化されたライブラリcuDNN[96]を有している。 0.73
The progress of generic algorithms has also improved computing performance, exhibiting enormous heterogeneity on problems of different types and sizes [97]. ジェネリックアルゴリズムの進歩は計算性能も向上し、様々な型やサイズの問題に多大な多様性をもたらした [97]。 0.81
It is worth noting that some large-size problems benefit just as much or even more from algorithmic improvement than from Moore’s law. 大規模な問題のいくつかは、ムーアの法則よりもアルゴリズムの改善の恩恵を受けている点に注意が必要だ。 0.67
For instance, the total speedup of solving mixed integer optimizations (MIO) was 2.2 trillion times during the 25 years between 1991 and 2016 [21], of which a factor of 1.6 million is due to hardware speedup from 59.7 GFlop/s in 1993 to 93.0 PFlop/s in 2016; another factor of 1.4 million is due to software and algorithmic speedup from CPLEX 1.2 in 1991 to Gurobi 6.5 in 2015. 例えば、混合整数最適化(MIO)の総高速化は、1991年から2016年の間の25年間で2.2兆回であり、このうち1.6億は1993年の59.7 GFlop/sから2016年の93.0 PFlop/sまでのハードウェアの高速化によるものであり、また1991年のCPLEX 1.2から2015年のGurobi 6.5までのソフトウェアとアルゴリズムの高速化による14万倍である。 0.72
B. Data Management Platforms in Power Grids B. 電力グリッドにおけるデータ管理プラットフォーム 0.86
Because power system security highly relies on real-time system operation and control, it is challenging to store and process real-time data streaming effectively and efficiently. 電力系統のセキュリティはリアルタイムシステムの運用と制御に大きく依存しているため、リアルタイムデータストリーミングを効果的かつ効率的に保存・処理することが困難である。 0.63
Therefore, the building of real-time data streaming systems that mainly influence data latency is critical for the subsequent online data-driven applications including but not limited to AI-based methods. したがって、データレイテンシに主に影響を及ぼすリアルタイムデータストリーミングシステムの構築は、AIベースの手法に限らず、その後のオンラインデータ駆動アプリケーションにとって重要である。 0.78
In contrast to traditional database management systems that use statistical data storage, data stream management systems usually store synopsis data (instead of the entire dataset) via processing in order to handle frequent queries and data update. 統計データストレージを使用する従来のデータベース管理システムとは対照的に、データストリーム管理システムは通常、頻繁なクエリとデータ更新を処理するために、処理を通じて(データセット全体ではなく)シナプスデータを格納する。 0.72
We illustrate several of the most popular data stream management systems summarized in [63]: Aurora [98] has a good balance of accuracy, response time and resource utilization; TelegraphCQ [99] is mainly used for sensor networks, which involves a front end, a sharing storage, and a back end; STREAM [100] has the advantage in situations of limited resources in that it can execute queries with high efficiency. オーロラ[98]は精度、応答時間、リソース利用のバランスがよく、TelegraphCQ[99]は、主にフロントエンド、共有ストレージ、バックエンドを含むセンサーネットワークに使われ、STREAM[100]は、高い効率でクエリを実行できる限られたリソースの状況において有利である。
訳抜け防止モード: 我々は[63]で要約された最も人気のあるデータストリーム管理システムをいくつか紹介する。 オーロラ[98]は精度、応答時間、資源利用のバランスが良い ; TelegraphCQ [ 99 ] は主にセンサネットワークに使われている。 フロントエンド 共有ストレージ バックエンド STREAM [100 ]は、限られたリソースの状況において、高い効率でクエリを実行できるという利点があります。
0.75
In particular, big data management platforms are being developed to accommodate multi-modal data storage and processing of unstructured heterogeneous data. 特に、マルチモーダルデータストレージと非構造化異種データの処理に対応するために、ビッグデータ管理プラットフォームが開発されている。
訳抜け防止モード: 特にビッグデータ管理プラットフォームが開発されている マルチモーダルデータストレージと非構造化異種データの処理に対応する。
0.86
Hadoop [101] and Spark [102] are two representative open-source designs for distributed data management. Hadoop [101]とSpark [102]は、分散データ管理のための2つの代表的なオープンソース設計です。 0.66
Hadoop is able to process massive heterogeneous data efficiently and economically by taking advantages of a programming model [103], a distributed file system [104], and a distributed data storage system [105]. hadoopはプログラミングモデル[103]、分散ファイルシステム[104]、分散データストレージシステム[105]の利点を利用して、大規模な異種データを効率的かつ経済的に処理することができる。 0.79
Spark, on the other hand, leverages the technology of resilient distributed datasets [106], which is more suitable for recursive computational operations in machine learning-based applications. 一方sparkは、レジリエントな分散データセット[106]の技術を活用しており、機械学習ベースのアプリケーションでは、再帰的な計算操作に適している。 0.71
In terms of data management platforms that are suitable for power systems, several cases of solutions have been successful in facilitating energy efficiency. 電力システムに適したデータ管理プラットフォームに関しては,エネルギー効率の向上に成功しているソリューションもいくつかある。 0.85
For example, CenterPoint Energy has handle streaming messages from intelligent grid devices and smart meters using an IBMdeveloped platform to improve system reliability [107]. 例えば、CenterPoint Energyは、IBMが開発したプラットフォームを使用して、インテリジェントグリッドデバイスとスマートメーターからのストリーミングメッセージを処理し、システムの信頼性を改善する[107]。 0.66
For its part, Oncor Energy Delivery has developed AMI databased predictive maintenance to reduce outages and guarantee sustainable supply enabled data platforms [108]. Oncor Energy Deliveryは、障害を低減し、持続可能なサプライ可能なデータプラットフォーム [108] を保証するために、AMIデータベースによる予測メンテナンスを開発した。
訳抜け防止モード: Oncor Energy DeliveryがAMIデータベースによる予測保守を開発 障害を減らし、持続可能なサプライ可能なデータプラットフォームを保証します [108 ]。
0.80
CLASSIFICATION OF GRID SOLUTIONS BASED ON AI METHODS ai手法に基づくグリッドソリューションの分類 0.59
TABLE I Key Decisionmaking Module Renewable/Load Modeling Grid Economic Operation Grid Security & Resource Adequacy Grid Monitoring, Control, & Protection テーブルI キー決定モジュールの更新/ロードモデリング 経済活動グリッドのセキュリティと資源効率グリッドのモニタリング・制御・保護 0.66
Supervised Learning [114]–[132] 教師付き学習[114]–[132] 0.66
[134]–[150] [134]–[150] 0.32
Unsupervised Learning [118], [121] [123], [124] - 教師なし学習 [118], [121] [123], [124] - 0.35
[151]–[163] [151]–[163] 0.32
[159], [164] [159], [164] 0.37
[165]–[193] [165]–[193] 0.32
[194], [195] [194], [195] 0.37
Reinforcement Learning [133] - 強化学習[133] - 0.41
[196] [197], [198] [196] [197], [198] 0.39
Because of power grid digitization, computing tasks in today’s power grids have been shifted and evolved to centralized clouds. 電力グリッドのデジタル化により、今日の電力グリッドのコンピューティングタスクはシフトし、集中型クラウドへと進化した。 0.75
Advanced computing power, along with massive data acquisition, has enabled many time-sensitive operations, such as real-time monitoring and security analysis. 高度なコンピューティングパワーと膨大なデータ取得は、リアルタイムの監視やセキュリティ分析など、多くの時間に敏感な操作を可能にした。 0.70
However, with increasing complexity of power grids, such computing paradigm may face several challenges, such as privacy concern and communication bandwidth limit. しかし、電力網の複雑さが増すにつれ、プライバシー問題や通信帯域制限など、このような計算パラダイムはいくつかの課題に直面している。 0.53
In contrast, edge computing that leverages computing resources at edge has the potential to improve computation efficiency and protect data privacy by performing data analytic close to customers [109]. 対照的に、エッジでコンピューティングリソースを利用するエッジコンピューティングは、顧客に近いデータ分析を行うことで、計算効率を改善し、データのプライバシを保護する可能性がある [109]。 0.72
Particularly, machine learning approaches that can preserve privacy, such as federated learning [110], have drawn increasing attention. 特に,フェデレーション学習(110)のようなプライバシを保護する機械学習アプローチが注目されている。 0.71
V. AI SOLUTIONS TO POWER GRID DECISION MAKING This section surveys recent AI solutions to the core decision making processes in power grid operations. V. AI SolutionTIONs to POWER GRID DECISION MAKING この節では、電力グリッド運用における中核的な意思決定プロセスに対する最近のAIソリューションを調査します。 0.71
We report 85 papers, most of which were published in the IEEE transactions of the Power and Energy Society (e g , IEEE Transactions on Power Systems, and IEEE Transactions on Smart Grid) from 2019 to 2021. 我々は、2019年から2021年にかけて、パワー・アンド・エナジーのIEEEトランザクション(例えば、IEEE Transactions on Power Systems、IEEE Transactions on Smart Grid)で発表された85の論文を報告します。 0.62
For earlier works about AI algorithms for grid operations, we refer readers to previous survey papers [23], [111]–[113]. グリッド操作のためのAIアルゴリズムに関する以前の研究については、以前の調査論文[23], [111]–[113]を参照してください。 0.77
Table I classifies the approaches used in these 85 papers according to the category to which these approaches belong, (i.e., supervised, unsupervised, and reinforcement learning). 表1は、これらのアプローチが属するカテゴリ(教師なし、教師なし、強化学習)に応じて、これらの85の論文で使用されるアプローチを分類します。 0.62
In addition, for each decision making process, we provide not only an overview of the state-of-theart, AI-powered grid solutions, but also illustrative examples that give readers a sense of how specific AI techniques can be leveraged to solve grid challenges. さらに、各意思決定プロセスについて、最先端のaiを活用したグリッドソリューションの概要だけでなく、特定のai技術がグリッドの課題にどのように活用できるかを読者に示す例も提供しています。 0.66
We use an independent notation system in each subsection,. 各サブセクションに独立した表記システムを使用します。 0.71
A. Renewable/Load Modeling A.再生可能/ロードモデリング 0.45
Renewables and load introduce many uncertainties to the operation of low-carbon power grids. 再生可能エネルギーと負荷は低炭素電力網の運用に多くの不確実性をもたらす。 0.59
One way to address such uncertainties in grid operation is to develop an accurate forecast algorithm for renewables and load. このようなグリッド操作の不確実性に対処する一つの方法は、再生可能エネルギーと負荷の正確な予測アルゴリズムを開発することである。
訳抜け防止モード: このような不確実性に対処する一つの方法は 再生可能エネルギーと負荷の正確な予測アルゴリズムを開発する。
0.61
The topic areas in renewable/load modeling include renewable (e g , wind, and solar) generation forecasting, load forecasting, and load clustering. 再生可能/負荷モデリングのトピック領域には、再生可能(風、太陽など)の生成予測、負荷予測、負荷クラスタリングが含まれる。 0.69
Table II7 lists the most recent works in these topic areas. 表II7は、これらのトピック分野における最新の作品のリストである。 0.58
Table II also summarizes the data source, AI method, and computation resource used in the references provided. Table IIはまた、提供されたリファレンスで使用されるデータソース、AIメソッド、計算リソースを要約している。 0.68
7In the table “-” indicates that no computation resource is reported in 7 表「-」は計算資源が報告されていないことを示す。 0.84
reference. 参照。 0.63
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 9 TRI-FACTORS OF AI-BASED RENEWABLE/LOAD FORECASTING IEEEの成果 9 AIベースの再生/ロード予測のトリファクター 0.44
TABLE II Task [Ref.] PV prediction on shipboards [114] テーブルII 船舶におけるpv予測 [114] 0.52
Wind power prediction [115] Wind power prediction [116] Socio-demographic information identification [117] Feature selection for PV forecasting [118] Wind power ramp forecasting [119] Solar forecasting [120] PV forecasting [121] Short-term load forecasting [122] 風力予測[115] 風力予測 [116] 社会デモグラフィ情報識別 [117] pv予測のための特徴選択 [118] 風力ランプ予測 [119] 太陽予測 [120] pv予測 [121] 短期負荷予測 [122] 0.35
Load forecasting [133] Customer segmentation [123] Load clustering, prediction, and inference [124] Wind power prediction [125] 負荷予測[133] 顧客セグメンテーション[123] 負荷クラスタリング, 予測, 推測[124] 風力発電予測[125] 0.53
Demand flexibility estimation [126] Wind power prediction [127] PV power prediction [128] Cold load pick-up demand assessment [129] Dynamic load modeling [130] PV power forecasting [131] Load forecasting [132] 需要柔軟性評価[126] 風力パワー予測[127] PVパワー予測[128] コールドロードピックアップ需要評価[129] 動的負荷モデリング[130] PVパワー予測[131] 負荷予測[132] 0.80
Data Sources (Availability) Solar irradiance and weather data (N) Actual wind power data from Glens of Foudland wind farm (N) Wind generation data from Irish transmission system operator (N) Residential smart meter data (N) Three PV arrays’ measured datasets in Australia (N) Wind Integration National Dataset (WIND) Toolkit [119] (Y) Desert Knowledge Australia Solar Centre (DKASC) (N) DKASC (N) Actual data of Tianjin power Grid in China (N) Hourly load data of the University of Texas at Dallas (UTD) (Y) Real-world utility data (N) 18-node real utility feeder (N) Data from three wind farm data in China (N) Datasets from ERCOT, PJM, CAISO (Y) Wind farm data from NREL (Y) 5-MW PV power plant (Y) Real-world smart meter data (N) CIGRE benchmark low voltage network (N) PV plant dataset (N) Real data set from residential Irish customers (N) Data Sources (Availability) Solar irradiance and weather data (N) Actual wind power data from Glens of Foudland wind farm (N) Wind generation data from Irish transmission system operator (N) Residential smart meter data (N) Three PV arrays’ measured datasets in Australia (N) Wind Integration National Dataset (WIND) Toolkit [119] (Y) Desert Knowledge Australia Solar Centre (DKASC) (N) DKASC (N) Actual data of Tianjin power Grid in China (N) Hourly load data of the University of Texas at Dallas (UTD) (Y) Real-world utility data (N) 18-node real utility feeder (N) Data from three wind farm data in China (N) Datasets from ERCOT, PJM, CAISO (Y) Wind farm data from NREL (Y) 5-MW PV power plant (Y) Real-world smart meter data (N) CIGRE benchmark low voltage network (N) PV plant dataset (N) Real data set from residential Irish customers (N) 0.44
Computation Resources i7-7700 CPU 計算リソース i7-7700 CPU 0.67
i7-7700 CPU, 16GB RAM i7-7700 cpu、16gb ram 0.68
AI Method Neural network (NN), Extreme learning machine (ELM) ELM aiメソッドニューラルネットワーク(nn)、extreme learning machine(elm)elm 0.63
i7-7700 CPU; 16GB RAM i7-7700 cpu 16gb ram 0.37
ELM i7-4770MQ CPU エルム i7-4770MQ CPU 0.38
- Intel-e5-2603 32 GB RAM - Intel-e5-2603 32GB RAM 0.36
Nvidia GTX 1080 GPUi5-6700 CPU, 16GB RAM Nvidia GTX 1080 GPUi5-6700 CPU、16GB RAM 0.81
Convolutional neural network (CNN) Principal component analysis (PCA); K-nearest neighbors (KNN) Gaussian mixture model 畳み込みニューラルネットワーク(CNN)主成分分析(PCA) : K-nearest neighbors(KNN)ガウス混合モデル 0.81
Spectral graph convolution ELM, Auto-encoder Deep belief network スペクトルグラフ畳み込みelm, auto-encoder deep belief network 0.84
i7-4870HQ CPU, 16GB RAM Reinforcement learning i7-4870HQ CPU、16GB RAM強化学習 0.67
- - i7-8550U CPU, 16GB RAM i7-7700 CPU, 16GB RAM i7-2600 CPU - - - i7-8550U CPU 16GB RAM i7-7700 CPU 16GB RAM i7-2600 CPU 0.40
- Spectral clustering; regression Spectral clustering; Recursive Baysian Learning Multi-source and temporal attention network Long short term memory (LSTM) NNs ELM Deep belief network Regression; Gaussian mixture model Decision trees; Ant colony optimization Graph neural network Random forest - スペクトルクラスタリング、回帰スペクトルクラスタリング、再帰的ベイズ学習 複数ソースおよび時間的注意ネットワーク long short term memory (lstm) nns elm deep belief network regression; gaussian mixed model decision tree; ant colony optimization graph neural network random forest 0.62
Next we provide an example to elaborate on how AI can be leveraged to solve PV forecasting tasks in the grid. 次に、グリッド内のPV予測タスクを解決するためにAIをどのように活用できるかを詳しく説明する。 0.64
The technical details are reported in [199]. 技術的な詳細は[199]で報告されている。 0.67
Figure 5 shows the geographic locations of a target solar site C6 and its neighboring N solar sites. 図5は、対象の太陽点C6とその近隣の太陽点の地理的位置を示しています。 0.63
Let us suppose that we want to predict the solar irradiance of the target solar site C6 at time step (k + 1). 時間ステップ (k + 1) において、目標の太陽サイト c6 の太陽照度を予測したいと仮定する。
訳抜け防止モード: 私たちが望むと仮定しよう 目標の太陽サイトC6の時間ステップ(k + 1 )における太陽の照度を予測する。
0.85
Reference [199] formulates the forecasting problem into one of estimating the parameters of the following autoregressive with exogenous input (ARX) model [199]: 参照[199]は、予測問題を、外因性入力(ARX)モデルによる次の自己回帰のパラメータの1つに定式化する[199]。 0.82
x[k + 1] = f (x[k], . . . , x[k − n + 1], x[k + 1] = f (x[k], . . , x[k − n + 1], 0.38
w1[k − d1 + 1], . . . , w1[k − m1 − d1 + 2], . . . wi[k − di + 1], . . . , wi[k − mi − di + 2], . . . wN [k − dN + 1], . . . , wN [k − mN − dN + 2]) w1[k − d1 + 1], . . , w1[k − m1 − d1 + 2], . . , wi[k − di + 1], . . , wi[k − mi − di + 2], . . . wN [k − dN + 1], . , wN [k − mN − dN + 2]) 0.40
(1) where x[k] is the solar irradiance at the target solar site at time step k; wi is the solar irradiance at the neighboring solar site i; f (·) is an ARX-structured function; and positive integers n, di, and mi are user-defined parameters that can be determined at training stages [199]. (1) x[k] が目標の太陽点における日射量である場合、wi は隣接する太陽点 i における日射量であり、f (·) はarx 構造関数であり、正の整数 n, di, mi は訓練段階 [199] で決定できるユーザ定義のパラメータである。 0.55
The intuition of the formulation (1) is that the next-step solar irradiance x[k + 1] at the target solar site depends not only on the local solar irradiance, but also on the solar irradiance at its neighboring solar sites. 定式化(1)の直観は、次の段階の太陽照度x[k + 1]は、対象の太陽点における太陽照度だけでなく、近隣の太陽点における太陽照度にも依存するということである。 0.71
The case studies based on real-world renewable data from California and Colorado suggest such an algorithm is suitable for 1-h カリフォルニアとコロラドの実際の再生可能データに基づくケーススタディは、そのようなアルゴリズムが1-hに適していることを示唆している 0.55
and 2-h ahead PV forecasting [199]. PV予測[199]を2時間進めた。 0.59
However, the algorithm proposed in [199] dose not provide a probability description for the forecast quality. しかし,[199]線量で提案したアルゴリズムは,予測品質の確率記述を提供していない。 0.92
One potential avenue for future work is to investigate such a description [199]. 将来の研究の1つの潜在的な道は、そのような記述[199]を調べることである。 0.51
B. Grid Economic Operation B.グリッド経済活動 0.69
The large-scale deployment of renewables poses unprecedented challenges to the electricity market operation. 再生可能エネルギーの大規模展開は、電力市場運営に前例のない課題をもたらす。 0.59
Conventional deterministic tools may not be able to support the electricity market operation of the electricity infrastructure with a significant amount of uncertain renewables. 従来の決定論的ツールは、かなりの量の不確実な再生可能エネルギーで電力インフラの電力市場運営をサポートすることができないかもしれない。
訳抜け防止モード: 従来の決定論的ツールでは不可能かもしれない 電気インフラの電力市場運営を支援するために かなりの量の不確実な再生可能エネルギーを
0.64
Reference [200] proposes a scenario-based approach that unlocks the potential of data in order to incorporate renewables’ uncertainties into the dispatch of grid resources. 参照 [200] は、再生可能エネルギーの不確実性をグリッドリソースのディスパッチに組み込むために、データの可能性を解き放つシナリオベースのアプローチを提案する。
訳抜け防止モード: 参照 [200 ] シナリオに基づくアプローチを提案する データの可能性を解き放ち、再生可能エネルギーの不確実性をグリッドリソースの派遣に組み込む。
0.84
Let us suppose that there are N historical scenarios ∆N = {δ1, δ2, . . . , δn, . . . , δN} that is a subset of all possible scenarios ∆. 歴史的シナリオは N つあると仮定すると、n = {δ1, δ2, . . . , δn, . . . , δN} はすべての可能なシナリオの集合である。 0.80
In each historic scenario δn, the net-load forecasting errors at each bus is recorded. 各履歴シナリオδnでは、各バスにおけるネット負荷予測誤差を記録する。 0.74
Reference [200] formulates the ED problem as follows [200]: 参照 [200] は ed 問題を次のように定式化する。 0.71
min p s.t. c(cid:62)p g1(p) ≤ 0 g2(p, δn) ≤ 0,∀δn ∈ ∆N ミン p. t. c(cid:62)p g1(p) ≤ 0 g2(p, δn) ≤ 0,\δn ∈ sn である。 0.57
(2a) (2b) (2c) (2a) (2b)(2c) 0.44
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 10 IEEEの成果 10 0.51
associated with the data sources and computation resources in the references are listed in Table III. データソースと参照内の計算リソースに関連するものは、テーブルIIIに記載されている。 0.73
C. Grid Security and Resource Adequacy c.グリッドセキュリティと資源充実 0.79
To decarbonize the power grids, fossil-fueled generators are being replaced by inverter-based resources, e g , wind/solar farms, and energy storage. 電力網の脱炭素化のため、化石燃料の発電機はインバータベースの資源、例えば風力/太陽の農場、エネルギー貯蔵に置き換えられている。 0.60
To assess grid security and resource adequacy, it is necessary to develop new planning tools that explicitly consider these new elements. グリッドのセキュリティと資源の適正性を評価するためには、これらの新しい要素を明確に考慮する新しい計画ツールを開発する必要がある。 0.67
The grid security and resource adequacy analysis include steady-state,dynamic security analysis, and reliability analyses. グリッドセキュリティとリソースの妥当性分析には、定常状態、動的セキュリティ分析、信頼性分析が含まれる。 0.73
Table IV summarizes the state-of-the-art AI adoption in these analyses. テーブルIVは、これらの分析で最先端のAIの採用を要約している。 0.44
Next, we will present a learning-based approach to networked microgrid security analysis [164], in order to show how an AI technique can be adopted in this specific topic area. 次に、ネットワーク化されたマイクログリッドセキュリティ分析 [164] に対して、この特定のトピックにAI技術をどのように適用できるかを示すための学習ベースのアプローチを示す。 0.79
Fig. 6 shows the physical architecture of n networked microgrids where the n microgrids interact with one another via distribution lines. 図6は、n個のマイクログリッドが分布線を介して相互作用するn個のネットワーク化されたマイクログリッドの物理構造を示している。
訳抜け防止モード: 図6は、n個の網状マイクログリッドの物理的構造を示している nマイクログリッドは分布線を介して相互に相互作用する。
0.66
The dynamics of the networked microgrids can be described by ˙x = f (x), where state vector x is related to voltage magnitudes and phase angles at the points of common coupling (PCCs). ネットワーク化されたマイクログリッドの力学は、状態ベクトル x が共通結合点(PCCs)における電圧の大きさと位相角に関係しているとき、x = f (x) で記述できる。 0.77
In the networked microgrids, large disturbances may come from ネットワーク化されたマイクログリッドでは、大きな乱れが生じる可能性がある 0.55
(i) the microgrid operating mode change, e g , one microgrid enters an islanded mode; and (i)マイクログリッドの動作モードの変化、例えば1つのマイクログリッドが島モードに入ること、 0.80
(ii) the distribution network, e.g, distribution line tripping. (ii)配電網、例えば配電線トリッピング。 0.47
The security analysis attempts to quantify the disturbance magnitude that the networked microgrids can tolerate [164]. セキュリティ分析は、ネットワーク化されたマイクログリッドが[164]許容できる乱れの大きさを定量化しようとする。 0.67
The result of this analysis is critical for both distribution system planners and operators. この分析結果は、分散システムプランナーとオペレーターの両方にとって重要である。 0.68
Fig. 6. Physical architecture of networked microgrids with power electronics interfaces. 図6。 パワーエレクトロニクスインタフェースを用いたネットワークマイクログリッドの物理構造 0.70
(Source: Fig 1 of reference [164] ©IEEE 2021) (参考文献)第1図 [164] >IEEE 2021) 0.79
In [164], Huang et al formulate the security analysis problem as one of searching for a legitimate Lyapunov function, i.e., a system-behavior summary function for a dynamic system. 164]において、huangらはセキュリティ分析問題を、正当なリアプノフ関数、すなわち動的システムのシステム・ビヘイビア要約関数の探索の1つとして定式化している。 0.74
A Lyapunov function V (x) satisfies two conditions: (i) V (x) is a positive-definite function in a region R around the system equilibrium point; and (ii) the time derivative ˙V is a negative-definite function in R. In [164], the Lyapunov function is assumed to possess a neural network (NN) structure with parameter vector θ. リアプノフ函数 V (x) は2つの条件を満たす: (i) V (x) は系平衡点の周りの領域 R における正定値関数であり、 (ii) 時間微分 yV は R における負定値関数である。
訳抜け防止モード: リャプノフ函数 V ( x ) は2つの条件を満たす: ( i ) V ( x ) は系の平衡点 ; の周りの領域 R における正定値函数である。 そして (ii ) の時間微分は R の負-定値関数である。 リャプノフ函数は仮定される パラメータベクトルθを持つニューラルネットワーク(NN)構造を持つ。
0.84
To make the NN-structured function satisfy the two conditions of a Lyapunov function, a cost function c(θ) is designed. NN構造関数をリアプノフ関数の2つの条件を満たすように、コスト関数c(θ)を設計する。 0.74
The cost function incurs a positive penalty if the NN with θ violates one or both of the two Lyapunov function conditions. コスト関数が θ を持つ NN が 2 つのリャプノフ函数条件の 1 つまたは両方に違反している場合、正のペナルティを生じる。
訳抜け防止モード: 費用関数が正のペナルティを引き起こす場合 θ を持つ NN は2つのリャプノフ関数条件の1つまたは両方に違反する。
0.76
Vector θ is tuned by the following procedure: ベクトルθは以下の手順で調整される。 0.84
1) Create a sample pool by randomly drawing a large 1)大図をランダムに描画してサンプルプールを作成する 0.82
number of states x within the region R; 領域 R 内の状態 x の数; 0.75
2) Update θ n times based on the cost function c(θ) and 2)コスト関数 c(θ) と θ n に基づいて θ n を更新 0.85
the gradient descent algorithm [164]; 勾配降下アルゴリズム[164]; 0.60
Fig. 5. The target solar farm site C6 (in the red circle) and its neighboring solar farms. 図5。 ターゲットのソーラーファームサイトC6(赤い円)とその近隣のソーラーファーム。
訳抜け防止モード: 図5。 ターゲットのソーラーファームサイトc6(赤い円) 隣の太陽光発電所です
0.61
(Source: Fig 1 of [199] ©IEEE 2015) (出典: [199] >IEEE 2015年第1四半期) 0.39
where vector p concerns the power generation of all generators in all intervals during a planning horizon; vector c collects cost coefficients associated with generators; (2b) represents the scenario-independent constraints [200], such as ramp and capacity constraints of generators; and (2c) represents the scenario-dependent constraints [200], such as generation-load balance constraints. ベクターpが計画地平線中のすべての区間におけるすべての発電機の発電に関する場合、ベクターcは発電機に関連するコスト係数を収集し、(2b) は発電機のランプや容量制約といったシナリオ非依存の制約 [200] を表し、(2c) は発電負荷バランス制約のようなシナリオ依存の制約 [200] を表す。 0.77
Suppose that p∗ N is the solution to the optimization (2) given N historical samples. p∗ N を N の歴史的標本の最適化 (2) の解とする。 0.75
Because ∆N is a subset of all possible scenarios ∆, it is possible that there exists a scenario δ that causes the scenario-dependent constraints to be violated, i.e., g2(p∗ N , δ) > 0. n はすべての可能なシナリオのサブセットであるから、シナリオ依存の制約に違反するシナリオ δ が存在する可能性、すなわち g2(p∗ n , δ) > 0 が存在する。 0.73
The probability that such an event may occur is termed the “risk” in [200]. そのような事象が起こる確率は[200]において“リスク”と呼ばれる。 0.73
Formally, the risk v(p∗ 正式には、リスク v(p∗) 0.72
N ) for the solution p∗ 解 p∗ に対する N ) 0.83
N is defined by N は定義されている 0.70
N ) = Prob. n ) = prob である。 0.74
(δ ∈ ∆ : g2(p∗ (δ ∈ ) : g2(p∗) 0.46
(3) where Prob. 3) プロブがある場合。 0.55
(·) denotes the probability that event “·” occurs. (·)は事象「·」が起こる確率を表す。 0.77
We expect that the probability that the risk v(p∗ N ) of solution p∗ N exceeds a small number  will be small, i.e., 我々は、解 p∗ N のリスク v(p∗ N ) が小数 t を超える確率が小さいことを期待する。
訳抜け防止モード: 私たちはその確率を期待する。 解 p∗ N のリスク v(p∗ N ) は、小さな数 ~ 小さめ、I.E.
0.83
N , δ) > 0) n , δ) > 0) である。 0.72
v(p∗ Prob. v(p∗) Prob 0.36
(v(p∗ N ) > ) < γ (v(p∗) N ) > ) < γ 0.66
(4) where 0 < , γ (cid:28) 1. (4) ここで 0 < ..., γ (cid:28) 1 である。 0.80
With the risk preference parameters  and γ, a natural question is how to determine the size of ∆N , i.e., N, to achieve the risk preference (4). リスク選好パラメータ(英語版) および γ を用いて、自然の疑問は、リスク選好(英語版) (4) を達成するために、N のサイズを決定する方法である。 0.66
Reference [200] provides a lower bound of N that depends solely on the look-ahead intervals and risk preference parameters [200]. 参照[200]は、ルックアヘッド間隔とリスク優先パラメータ [200] にのみ依存する、Nの低い境界を提供する。 0.76
Such a lower bound can help system operators determine how many scenarios must be drawn from the historical observations based on their risk preference. このような低いバウンダリは、システムオペレーターのリスク嗜好に基づいて、過去の観測から何つのシナリオを引き出す必要があるかを決定するのに役立つ。 0.56
For example, in an opensource, 2000-bus synthetic Texas grid, if we suppose that the risk preference parameters of the system operators are γ = 10−6 and  = 0.0083, then 2000 historical scenarios are needed to be embedded into the ED formulation (2) [200]. 例えば、2000-バス合成テキサス格子(英語版)では、系の作用素のリスク選好パラメータが γ = 10−6 と γ = 0.0083 であると仮定すると、2000 の歴史的シナリオは ED の定式化 (2) [200] に埋め込まれる必要がある。 0.73
A rigorous investigation of the relationship between the quantity of support constraints and the design parameters (γ and ) is still needed to further refine the algorithm in [200]. 支援制約量と設計パラメータ(γ, γ)の関係の厳密な調査は, [200] でアルゴリズムをさらに洗練するためにも必要である。 0.78
Other recent AI solutions to the problems of UC, ED, and OPF are summarized in Table III. UC、ED、OPFの他の問題に対する最近のAIソリューションは、Table IIIで要約されている。 0.63
The AI methods AIの手法 0.77
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 11 IEEEの成果 11 0.51
TRI-FACTORS OF AI SOLUTIONS TO MARKET OPERATION マーケット操作に対するAIソリューションの3因子 0.64
TABLE III Task [Ref.] UC & ED [134] OPF [135] OPF [136] Probabilistic power flow [137] テーブルIII Task [Ref.] UC & ED [134] OPF [135] OPF [136] 確率的電力フロー [137] 0.52
ACOPF [138] Binding constrain prediction in UC [139] SCOPF [140] OPF [141] Financial return maximization [142] Energy pricing [143] Energy bidding [144] Constrain screening of UC [145] Reserve capacity estimation [146] ED and UC [147] Energy bidding [148] Electricity price scenario generation [149] Price forecasting [150] ACOPF[138] UC[139] SCOPF[140] OPF[141] 金融リターン最大化[142] エネルギー価格[143] エネルギー入札[144] UC[145] リザーブ容量推定[146] EDとUC[147] エネルギー入札[148] 電力価格シナリオ生成[149] 価格予測[150] 0.72
Data Resources (Availability) A real-world 1881-bus system in China (N) Polish 2383-bus system (N) 129-node feeder (N) A 33 bus distribution system from MATPOWER A 6700-bus French system (N); a 9000-bus system (N) 500-bus synthetic South Carolina system (N) 118-IEEE, 1354-PEG; 1888-RTE system (N) 30-, 57-, 118-, 300-IEEE (N) 261,489-consumer real dataset from a Brazilian utility (N) 13-IEEE (N) Real-world price data (Y) IEEE RTS-96; 2000-bus Texas synthetic grid (N) 821-day data (N) 24-, 118- IEEE (N) Market data from PJM, CAISO, and ISO-NE (N) Dutch market prices (N) Historic price data (N) Data Resources (Availability) A real-world 1881-bus system in China (N) Polish 2383-bus system (N) 129-node feeder (N) A 33 bus distribution system from MATPOWER A 6700-bus French system (N); a 9000-bus system (N) 500-bus synthetic South Carolina system (N) 118-IEEE, 1354-PEG; 1888-RTE system (N) 30-, 57-, 118-, 300-IEEE (N) 261,489-consumer real dataset from a Brazilian utility (N) 13-IEEE (N) Real-world price data (Y) IEEE RTS-96; 2000-bus Texas synthetic grid (N) 821-day data (N) 24-, 118- IEEE (N) Market data from PJM, CAISO, and ISO-NE (N) Dutch market prices (N) Historic price data (N)
訳抜け防止モード: データリソース(可用性)) 中国の実世界1881バスシステム(N) ポーランド2383バスシステム(N) 19ノード供給システム(N) MATPOWER A 6700バスフランスシステム(N) 9000バスシステム(N) 500バス合成サウスカロライナシステム(N) 118-IEEE, 1354-PEG ; 1888-RTEシステム(N) 30- 57-, 118-, 300-IEEE ( N ) 261,489-consumer real data from a Brazil utility (N ) 13-IEEE (N ) Real - world price data (Y ) IEEE RTS-96 ; 2000-bus Texas synthetic grid (N ) 821-day data (N ) 24-, 118-IEEE (N ) Market data from PJM, CAISO, ISO - NE (N ) オランダの市場価格 (N ) 歴史的価格データ (N )
0.93
Computation Resources i7-1065G7 CPU, 16GB RAM i7-8700K CPU, 32GB RAMi7-7820HQ CPU, 31.9GB RAM i7 CPU 16GB RAM; Nvidia Tesla V100 GPUs, 16GB RAM NN 24-core CPU, 128GB RAM 計算リソース i7-1065G7 CPU、16GB RAM i7-8700K CPU、32GB RAM i7-7820HQ CPU、31.9GB RAM i7 CPU 16GB RAM、Nvidia Tesla V100 GPU、16GB RAM NN 24コアCPU、128GB RAM 0.65
AI Methods NN and oblique decision trees Stacked ELM Regression Copula function AIメソッドNNと斜め決定木を積み重ねたERM回帰コプラ関数 0.78
Bagged trees Nvidia Tesla V100 GPUs 4-core i7-3770 CPU, 16GB RAM2.6 GHz CPU, 2GB RAM 束木 nvidia tesla v100 gpus 4コアi7-3770 cpu、16gb ram2.6 ghz cpu、2gb ram 0.61
Intel Xeon CPU, 16GB RAM - Intel Xeon CPU、16GB RAM- 0.93
Nvidia Tesla V100, 61GB RAM - Nvidia Tesla V100, 61GB RAM 0.46
Deep learning Deep learning Rotation forest; XGBoost Regression Risk-averse learning KNN XGBoost ELM XGBoost XGBoost LSTM; recurrent neural network ELM 深層学習 深部学習 深部学習 深部学習 深部学習 深部学習 深部学習 リスク-逆学習 KNN XGBoost ELM XGBoost XGBoost LSTM; リカレントニューラルネットワーク ELM
訳抜け防止モード: 深層学習の深部回転林 : XGBoost回帰リスク-逆 KNN XGBoost ELM XGBoost XGBoost LSTMの学習 ; リカレントニューラルネットワークERM
0.87
3) For the NN with the latest θ, search for samples that violated one or both of the two Lyapunov conditions via the satisfiability modulo theories (SMT) tool. 3) 最新のθを用いたNNでは, 満足度変調理論(SMT)ツールを用いて2つのリャプノフ条件の1つまたは両方に違反したサンプルを探索する。 0.74
If no sample is found, claim the NN is a Lyapunov function; otherwise, add the samples to the sample pool in step 1) and repeat step 2). サンプルが見つからなければ、NN はリャプノフ関数であると主張し、そうでなければ、サンプルプールにステップ1でサンプルを加え、ステップ2を繰り返す。
訳抜け防止モード: サンプルが見つからない場合は、nn は lyapunov 関数であると主張する さもないと、サンプルをステップ1でサンプルプールに追加し、ステップ2を繰り返す)。
0.77
Fig. 7 visualizes a Lyapunov function learned from a state space for a grid-tied microgrid [164]. 図7は、格子状マイクログリッド[164]の状態空間から学んだリャプノフ関数を視覚化する。 0.76
The parameters of the system are reported in [164]. システムのパラメータは[164]で報告されている。 0.86
It take 32.18 seconds to learn the Lyapunov function [164]. リアプノフ関数[164]を学ぶのに32.18秒かかる。 0.72
Having learned the Lyapunov function shown in Fig 8, a security region can be estimated, which is visualized in Fig 9. 図8で示されるリャプノフ関数を学習すると、セキュリティ領域が推定され、図9で視覚化される。 0.72
If a disturbance leads the state vector to deviate from the equilibrium (the origin of Fig 9) while also remaining within the solid red circle in Fig 9, one can conclude immediately that the system trajectory will converge to the equilibrium without conducting any simulations. もし外乱が状態ベクトルを平衡から逸脱させ(図9の原点)、また図9の固体の赤い円の中に留まれば、系軌道はいかなるシミュレーションも行わずに平衡に収束するとすぐに結論付けることができる。 0.76
The region in the solid blue circle is the security region estimated by a conventional approach. 固体の青い円の領域は、従来のアプローチで推定されるセキュリティ領域である。 0.80
It can be observed in Fig 9 that the learning-based approach is much less conservative than the conventional approach, since the red-solid circle is larger than the blue circle. 図9では、赤固円が青い円よりも大きいため、学習に基づくアプローチが従来のアプローチよりもはるかに保守的でないことが観察できる。 0.77
Although the approach in [164] can address heterogeneous interface dynamics and can provide less conservative results than the conventional approach, it incurs large computational costs when analyzing large-scale systems. 164]のアプローチは異種インタフェースのダイナミクスに対処でき、従来のアプローチよりも保守的な結果が得られるが、大規模システムを分析する際には大きな計算コストが発生する。 0.75
D. Grid Monitoring, Control, and Protection D.グリッドモニタリング、制御、および保護 0.86
Deep penetration of clean energy resources is changing power grid behaviour (for example, clean-energy resources may lack physical inertia). クリーンエネルギー資源の深い浸透は電力グリッドの挙動を変化させている(例えば、クリーンエネルギー資源には物理的慣性がないかもしれない)。
訳抜け防止モード: クリーンエネルギー資源の深い浸透は電力グリッドの振る舞いを変えている(例えば) クリーン - エネルギー資源は物理的慣性に欠ける可能性がある。
0.67
As a result, the power grids are becoming increasingly sensitive to disturbances and impact anomalies may become more frequently observable. その結果、電力網は乱れに敏感になり、衝突異常はより頻繁に観測されるようになる。 0.63
Effectively monitoring and correcting these anomalies in real-time リアルタイムにこれらの異常を効果的に監視し修正する 0.59
Fig. 7. A neural network-structured Lyapunov function: the tunable parameter vector θ is related to weights W1 and W2 and biases b1 and b2 in the hidden and output layers. 第7話。 ニューラルネットワーク構造化リアプノフ関数: 可変パラメータベクトルθは、隠れ出力層において重みw1,w2およびバイアスb1,b2と関係している。 0.56
(Source: Fig 3 of reference [164] ©IEEE 2021) (参考文献)第3図 [164] >IEEE 2021) 0.80
defines a key challenge facing system operators. システムオペレーターが直面する重要な課題を定義します 0.58
A large body of literature in the last three years has argued in favor of leveraging streaming data to make operational decisions in real time. 過去3年間の大規模な文献は、ストリーミングデータを活用して運用上の決定をリアルタイムで行うことを好んでいる。 0.71
Table V summarizes these recent works from the perspectives of data sources, methods and computation resources. 表Vは、これらの最近の研究を、データソース、メソッド、計算資源の観点から要約します。 0.59
The following are two specific examples that address online operational challenges in the grid. 以下の2つの具体例は、グリッドにおけるオンライン運用上の課題に対処するものである。 0.58
1) Forced oscillation localization based on robust principal component analysis (RPCA): Forced oscillations are one type of the critical phenomena that concern system operators, because these oscillations may cause large-scale blackouts and decrease the lifespans of power grid components [201]. 1) ロバスト主成分分析に基づく強制振動定位 (rpca): 強制振動は, 大規模停電を引き起こし, 電力グリッド成分の寿命を減少させる可能性があるため, システムオペレータに懸念される重要な現象の一つである [201]。 0.87
Fig 10 illustrates the mechanism of forced oscillations. 図10は強制振動のメカニズムを示しています。 0.71
Let us consider a power grid as a blackbox with some inputs and outputs, as shown in Fig 10. 図10に示すように、電力網を入力と出力のあるブラックボックスと考えてみましょう。 0.73
The inputs can be thought of as setpoints of generators, while the outputs are PMU mea- 入力はジェネレータのセットポイントと考えることができ、出力はPMU meaである。 0.72
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 12 IEEEの成果 12 0.51
TRI-FACTORS OF AI SOLUTIONS TO GRID SECURITY AND RESOURCE ADEQUACY ANALYSIS グリッドセキュリティと資源充実分析のためのaiソリューションのトライファクター 0.61
TABLE IV Task [Ref.] Reliability study for power-gas systems [151] Reliability study w/ rich PE [152] Energy Loss estimation [153] Distribution system phase identification [154] Outage scheduling [155] テーブルIV タスク [Ref.] 電力・ガス系統の信頼性調査 [151] 電力・ガス系統の信頼性調査 w/リッチPE [152] エネルギー損失推定 [153] 配電系統位相同定 [154] 停電スケジューリング [155] 0.72
Energy Disaggregation at Substations [156] 変電所におけるエネルギー分散 [156] 0.68
Distribution power flow [157] Microgrid Scheduling [158] Stability Assessment of Networked Microgrids [164] Residential PV localization [159] 配電系統の配電系統 [157] マイクログリッドスケジューリング [158] ネットワークマイクログリッド [164] 住宅PVの定位 [159] の安定性評価 0.79
Phase Identification [160] Reliability study [161] Extreme outage prediction [162] Network management [163] フェーズ識別 [160] 信頼性調査 [161] 極端な停止予測 [162] ネットワーク管理 [163] 0.83
Data Sources (Availability) 73-bus power system w/ 40-node gas system (N) IEEE RTS-24 bus w/ 40-node gas system (N) 33-bus distribution system w/ 40-node gas system (N) 25-bus, 123-bus, 450-bus systems (N) IEEE-RTS79; IEEE- RTS96 (N) Ind-Solar dataset; EnerNOC GreenButton Data; Solar generation from National Renewable Energy Laboratory (N) 8-, 123- IEEE; 362-node utility distribution network (N) 33-node system (Y) 123-IEEE (N) Data Sources (Availability) 73-bus power system w/ 40-node gas system (N) IEEE RTS-24 bus w/ 40-node gas system (N) 33-bus distribution system w/ 40-node gas system (N) 25-bus, 123-bus, 450-bus systems (N) IEEE-RTS79; IEEE-RSTS96 (N) Ind-Solar dataset; EnerNOC GreenButton Data; Solar generation from National Renewable Energy Laboratory (N) 8-, 123-IEEE; 362-node utility distribution network (N) 33-node system (Y) 123-IEEE (N) 0.42
Umass Smart data (Y) Systems from SCE, PGEC, and FortisBC (Y) ISO-NE area data (Y) 24-IEEE (N) 4,000 circuits from U.K. utilities (N) umassスマートデータ (y) sce, pgec, fortisbc (y) iso-ne領域データ (y) 24-ieee (n) 4,000 英国ユーティリティ (n)
訳抜け防止モード: sce, pgec, umassスマートデータ(y)システム and fortisbc (y) iso - ne area data (y) 24-ieee (n) 4,000 circuits from u.k. utilities (n)
0.75
Computation Resources - Intel CPU, 16GB RAM 計算資源 - Intel CPU、16GB RAM 0.67
PC, 8GB RAM PC 8GB RAM 0.40
300-core Xeon CPUs, 2GB RAM for each 300コアのXeon CPUと2GBのRAM 0.81
AI Method Random Forest; XGBoost Support vector regression (SVR); random forests (RF) Regression trees AIメソッドランダムフォレスト、XGBoostサポートベクトル回帰(SVR)、ランダムフォレスト(RF)回帰木 0.66
Modified k-means k-nearest neighbor classification k-means k-nearest近傍分類の改良 0.56
i9 CPU, 32 GB RAM i9 CPU、32GB RAM 0.48
Bayesian dictionary learning i5 CPU, 8GB RAM Xeon CPU E5-2687W v4, 64 GB RAM- ベイズ語辞書学習 i5 CPU 8GB RAM Xeon CPU E5-2687W v4、64GB RAM 0.79
Support Matrix Regression Deep learning Neural Lyapunov method Autoencoder; semi-supervised learning Information theoretic machine learning Regression Bayes Decision Theory Decision tree support matrix regression deep learning neural lyapunov method autoencoder; semi-supervised learning information theoretic machine learning regression bayes decision theory decision tree 0.44
Fig. 8. A Lyapunov function learned for a grid-tied microgrid. 図8。 格子型マイクログリッドで学習したリャプノフ関数 0.61
(Source: Fig 6-a of reference [164] ©IEEE 2021) (出典:第6-a図 [164] >IEEE 2021) 0.81
Fig. 9. Security regions (SR) and valid regions (VR): the neural network (NN) approach and the conventional (cvt.) approach (Source: Fig 7-a of reference [164] ©IEEE 2021) 第9話。 セキュリティ領域(SR)と有効領域(VR):ニューラルネットワーク(NN)アプローチと従来の(cvt.)アプローチ(出典: Fig 7-a of reference [164] >IEEE 2021) 0.62
surements. If one of the inputs varies periodically, oscillations can be observed in the PMU measurements. 確かだ 入力の1つが周期的に変化すると、PMU測定で振動が観測される。 0.49
These oscillations are termed “the forced oscillations,” and the periodic input is called the source of the forced oscillations. これらの振動は「強制振動」と呼ばれ、周期的な入力は強制振動の源と呼ばれる。 0.74
Different PMU measurements have different geographical distances from the oscillation source. 異なるpmu測定では、振動源からの距離が異なる。 0.68
The objective of the forced oscillation localization is to pinpoint which PMU measurements are close to the oscillation source, based only on the PMU data without information on the inputs and the power grid models. 強制発振位置決めの目的は、入力や電力グリッドモデルに関する情報のないPMUデータのみに基づいて、PMU測定が発振源に近い位置をピンポイントすることである。 0.71
Fig. 10. Forced oscillation mechanism 第10話。 強制振動機構 0.59
Locating the oscillation source is a challenging task, because the measurement closest to the source may not exhibit the largest oscillations. 発振源の配置は、発振源に最も近い測定値が最大の発振を示さないため、難しい作業である。 0.73
Fig 11 shows such a counter-intuitive case in which the measurement (the red curve) closest to the oscillation source does not exhibit the largest oscillation magnitude. 図11は、振動源に最も近い測定値(赤曲線)が最大の振動強度を示さないような直観的な逆の場合を示す。 0.83
Reference [202] reports a real-world, counterintuitive case in which the distance between the source and the measurement exhibiting large oscillations is more than 1100 miles [201]. 参照[202]は、ソースと大きな振動を示す測定との距離が1100マイル[201]以上である実世界の反直観的ケースを報告する。 0.82
In reference [201], Huang et al formulate the forced oscillation localization as decomposing the measurement matrix Yt into a low-rank matrix Lt and a sparse matrix 201]を参照すると、huangらは、測定行列ytを低ランク行列ltとスパース行列に分解するものとして強制振動局在を定式化する。 0.63
Valid regionVE1’ (p.u.)δ1’ (rad)1.51.00.50.00.5 1.01.501 (rad.)1.51.00.50.00. 51.01.5E01 (p.u.)VR: NNSR: NNVR: cvt.SR: cvt. Valid regionVE1' (p.u.)δ1' (rad)1.51.00.50.50.5 1.501 (rad.)1.51.00.50.50. 50.51.5E01 (p.u.)VR: NNSR: NNVR: cvt.SR: cvt.SR: cvt. 0.25
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 13 IEEEの成果 13 0.72
TRI-FACTORS OF AI SOLUTIONS TO GRID MONITORING, CONTROL, AND PROTECTION グリッド監視、制御、保護のためのaiソリューションの三要素 0.62
TABLE V Data Sources (Availability) 13-, 123- IEEE (N) 118-, 123- IEEE (N) 140-NPCC (N) テーブルV データソース(可用性) 13-, 123-IEEE (N) 118-, 123-IEEE (N) 140-NPCC (N) 0.76
39-IEEE (N) 39-IEEE (N) 0.42
77-Nordic (N) 77-ノルディック(N) 0.70
39-IEEE (N) 39-IEEE (N) 0.42
39-IEEE (N) 39-IEEE (N) 0.42
AI Method Bayes classifier K-means clustering ELM AI法ベイズ分類器 K-means Clustering ELM 0.76
Computation Resource2-core Xeon CPU, 32GB RAM i5-5200U CPU, 8GB RAM AMD Opteron CPU, 64GB RAM Deep reinforcement 8-core i7-7700 CPU; Nvidia GTX-1080 GPU i7-7700 CPU, 32GB RAM; Nvidia GTX-1080 GPU - 計算リソース2コア xeon cpu、32gb ram i5-5200u cpu、8gb ram amd opteron cpu、64gb ram deep reinforcement 8-core i7-7700 cpu、nvidia gtx-1080 gpu i7-7700 cpu、32gb ram、nvidia gtx-1080 gpu-
訳抜け防止モード: 計算リソース2コアXeon CPU、32GB RAM i5 - 5200U CPU Nvidia GTX-1080 GPU i7 - 7700 CPU Nvidia GTX-1080 GPU i7 - 7700 CPU 32GB RAM; Nvidia GTX-1080 GPU -
0.84
learning Deep feedback learning machine CNN 深層フィードバック学習マシンCNNの学習 0.80
AdaBoost 39-, 68-, 140-, 145- IEEE (N) AdaBoost 39-、68-、140-、145-、ieee(n) 0.54
Intel CPU, 16GB RAM Intel CPU、16GB RAM 0.97
Ensemble decision trees ELM Semi-supervised ensemble learning C-Vine pair-copula decomposition; PCA Extreme learning machine Decision tree; KNN Support vector machine (SVM) Time series shapelet learning Learning-to-infer CNN, LSTM network NN Regression; SVM 組立決定木 elm半教師付きアンサンブル学習c-vineペアコピー分解、pca極端学習機決定木、knnサポートベクターマシン(svm)時系列シェープレット学習cnn、lstmネットワークnn回帰、svm 0.61
Autoencoder Reinforcement learning SVM, Decision tree CNN Deep learning Reinforcement learning Multivariate random forest regression Cascade-forward neural network Semi-supervised multilabel algorithms オートエンコーダ強化学習 SVM, 決定木 CNN ディープラーニング強化学習 多変量ランダム森林回帰カスケード-フォワードニューラルネットワーク 半教師付きマルチラベルアルゴリズム 0.80
CNN, LSTM network CNN, LSTMネットワーク 0.85
Natural language processing CNN 自然言語処理 CNN 0.62
Graphic Neural Network グラフィックニューラルネットワーク 0.76
Split expectation maximization Regression Task [Ref.] Cyberattack detection [165] Actuator placement [194] Frequency prediction assessment and control [166] Emergency control [196] Under-voltage load shedding [167] Transient stability prediction [168] Transient stability prediction and control [169] Generator dynamic behavior prediction [170] Voltage stability margin prediction [171] Training data preparation for transient stability prediction [172] Representative state selection for security prediction [173] Hydrostatic tidal turbine (HTT) control [174] Cyber-physical anomaly detection [175] Inverter control [176] 分割予測最大化回帰 Task [Ref.] Cyberattack detection [165] Actuator placement [194] Frequency prediction assessment and control [166] Emergency control [196] Under-voltage load shedding [167] Transient stability prediction [168] Transient stability prediction and control [169] Generator dynamic behavior prediction [170] Voltage stability margin prediction [171] Training data preparation for transient stability prediction [172] Representative state selection for security prediction [173] Hydrostatic tidal turbine (HTT) control [174] Cyber-physical anomaly detection [175] Inverter control [176]
訳抜け防止モード: 分割予測最大化回帰 タスク [リフ ] サイバー攻撃検出 [165 ] アクチュエータ配置 [194 ] 周波数予測評価 and control [166 ] emergency control [196 ] Under- voltage load shedding [167 ] Transient stability prediction [168 ] Transient stability prediction [196 ] 制御[169 ] 発電機の動的挙動予測[170 ] 電圧安定率予測[171 ] 過渡安定度予測[172 ] セキュリティ予測[173 ] 静水圧潮流タービン(HTT)制御[174 ] サイバー-物理的異常検出[175 ] インバータ制御[176 ]
0.81
Transient stability prediction [177] Line outage detection [178] Dynamic security prediction [179] Distribution system state estimation [180] Local control design for active distribution grids [181] Anomaly detection, localization and classification [195] Volt-VAR optimization [197] Cyber anomaly detection [182] Faulted line localization [183] Feature extraction for Security assessment [184] Building Energy Optimization [198] PV frequency control [185] 過渡的安定性予測 [177] ライン停止検出 [179] 動的セキュリティ予測 [179] 分布系状態推定 [180] アクティブ配電網の局所制御設計 [181] 異常検出, ローカライゼーションと分類 [195] ボルトVAR最適化 [197] サイバー異常検出 [182] 故障ラインローカライゼーション [183] セキュリティ評価のための特徴抽出 [184] ビルエネルギー最適化 [198] PV周波数制御 [185] 0.86
118-NREL; Taiwan Power Systems (N) 39-IEEE; 2417-bus GD Power Grid in South China (N) 118-IEEE (N) 118-NREL, 台湾電力システム(N)39-IEEE, 2417-bus GD Power Grid in South China(N)118-IEEE(N) 0.85
HTT simscape model (N) HiL test of Kundur two area system (N) 123-IEEE (N) 39-IEEE; 2417-bus GD Power Grid in South China (N) 30-, 118-, 300- IEEE (N) 39-IEEE (N) 37-IEEE (N) Typical European radial LV grid (N) HTT simscape model (N) HiL test of Kundur two area system (N) 123-IEEE (N) 39-IEEE; 2417-bus GD Power Grid in South China (N) 30-, 118-, 300-IEEE (N) 39-IEEE (N) 37-IEEE (N) typical European radial LV grid (N) 0.49
14-, 39- IEEE (N) 13-, 123- IEEE (N) 39-IEEE (N) 39-, 68- IEEE (N) 118-IEEE (N) Real-world data from Pecan Street Inc. (N) 6,102-bus system; HiL tests (N) 14-,39-IEEE (N) 13-,123-IEEE (N) 39-,68-IEEE (N) 118-IEEE (N) Pecan Street Inc. (N) 6,102-bus system; HiL test (N) 0.41
8-core CPU, 16GB RAM 8コアcpu、16gb ram 0.76
8-core i7 CPU, 8GB RAM 8コアのi7 CPU、8GBのRAM 0.58
8-core Intel Xeon PC 8コアのIntel Xeon PC 0.76
i5 2.4 GHz, 8GB RAM i5 2.4 GHz 8GB RAM 0.41
8-core i7 CPU, 8GB RAM i7 CPU, 8GB RAMIntel Core i7-2600 CPU 16GB RAM Multiple CPUs i5 CPU, 8GB RAMi7 CPU, 32GB RAM 8-core Intel Xeon PC- 8コアi7 cpu、8gb ram i7 cpu、8gb ram intel core i7-2600 cpu 16gb ram マルチcpu i5 cpu、8gb rami7 cpu、32gb ram 8コア intel xeon pc- 0.70
Wind turbine control [186] 風力タービン制御[186] 0.81
HiL tests (N) hil テスト (n) 0.58
- Non-intrusive load monitoring [187] - 非侵入負荷モニタリング[187] 0.66
Building occupancy detection [188] 建物占有検知[188] 0.77
Outage duration prediction [189] 停止期間予測[189] 0.36
Reference Energy Disaggregation Dataset (Y) Electricity consumption and occupancy (ECO) dataset; Building-level fully labeled Electricity disaggregation dataset; UMass Smart Home Dataset Almanac of Minutely Power Dataset (Y) E15-year outage records (N) 参考エネルギー分散データセット(Y) 電力消費・占有データセット(ECO) ビルレベルの完全電力分散データセット(UMass Smart Home Dataset Almanac of Minutely Power Dataset (Y) E15年停止記録(N) 0.84
Event detection and classification [190] イベント検出と分類 [190] 0.80
HiL tests (N) hil テスト (n) 0.58
Cyber attack detection [191] サイバー攻撃検知 [191] 0.73
57-, 118-, 300- IEEE (N) 57-,118-,300-IEEE(N) 0.43
Distribution system topology identification [193] Grid restoration [192] 配電系統トポロジー識別[193]グリッド復元[192] 0.71
33-IEEE; 135-bus, 874-bus systems (N) 70-bus 4-feeder system (N) 33-IEEE 135-bus, 874-bus system (N) 70-bus 4-feeder system (N) 0.37
i7-4770 CPU, 12GB RAM i7-4770 CPU 12GB RAM 0.39
Intel Xeon E5-2603 CPU; Nvidia TITAN V GPU Intel Xeon E5-2603 CPU:Nvidia TITAN V GPU 0.45
i7-9700K CPU; Nvidia GTX 2080Ti GPU i9-8950 HK CPU 2.90GHz Nvidia GeForce RTX 2070 GPUi5 CPU, 8GB RAM i7-9700K CPU; Nvidia GTX 2080Ti GPU i9-8950 HK CPU 2.90GHz Nvidia GeForce RTX 2070 GPUi5 CPU, 8GB RAM
訳抜け防止モード: i7 - 9700 K CPU; Nvidia GTX 2080Ti GPU i9 - 8950 HK CPU 2.90GHz Nvidia GeForce RTX 2070 GPUi5 CPU 8GBのRAM。
0.64
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 14 IEEEの成果 14 0.51
St, namely Yt = Lt + St. This matrix decomposition problem can be solved by RPCA as shown in (5), すなわち Yt = Lt + St である。 この行列分解問題は RPCA によって (5) で示されるように解ける。 0.66
(cid:107)Yt − St(cid:107)∗ + (cid:107)St(cid:107) 1, (cid:107)Yt − St(cid:107)∗ + s(cid:107)St(cid:107 )1, 0.44
min St (5) where (cid:107) · (cid:107)∗ and (cid:107) · (cid:107)1 denote the nuclear norm and l1 norm, respectively, Yt represents a measurement matrix up to time t where each row of the matrix represents a time series from one PMU, and St is the corresponding approximate sparse matrix. ミン・セント (5) (cid:107) · (cid:107)∗ および (cid:107) · (cid:107)1 はそれぞれ核ノルムと l1 ノルムを表し、Yt は行列の各行が 1 つの PMU からの時系列を表す時間 t までの測定行列を表し、St は対応する近似スパース行列である。 0.66
Fig. 12 visualizes matrices Yt, Lt, and St, respectively. 第12図は、行列Yt,Lt,Stをそれぞれ視覚化する。 0.70
The computation complexity analysis of RPCA is reported in [203]. RPCAの計算複雑性解析は[203]で報告される。 0.83
The measurement near the source can be located by identifying the largest absolute element in the sparse matrix. 源付近の測定は、スパース行列内の最大の絶対要素を同定することで得られる。 0.79
Reference [201] also provides a possible interpretation to justify the effectiveness the RPCA-based source localization algorithm. 参照[201]はまた、RPCAベースのソースローカライゼーションアルゴリズムの有効性を正当化する可能な解釈を提供する。 0.72
In reference [201], the authors create 44 counter-intuitive cases in an open-source, benchmark system. 201]を参照して、著者らはオープンソースベンチマークシステムで44の直観的なケースを作成しました。 0.59
The RPCA-based algorithm can pinpoint the sources in 43 cases, and in the wrong case, the algorithm can narrow the searching scope [201]. RPCAベースのアルゴリズムは43のケースでソースを特定でき、間違ったケースでは検索範囲を狭めることができる[201]。 0.72
However, when the RPCA can exactly locate the true source remains an open-ended question. しかし、RPCAが真のソースを正確に見つけることができれば、未解決の疑問が残る。 0.56
Fig. 11. Voltage deviations in a counter-intuitive case: the red curve is the voltage deviation closest to the oscillation source; the black curves are other voltage deviation measurements. 第11話。 逆直観的な場合の電圧偏差:赤曲線は発振源に最も近い電圧偏差であり、黒曲線は他の電圧偏差測定値である。 0.61
(Source: Fig 1 of reference [201] ©IEEE 2021) (出典:参考図[201]第2021号) 0.52
2) Reinforcement learning (RL)-based protection scheme for renewable-rich distribution systems: The conventional protection paradigm in distribution systems has been challenged by the increasing amount of DERs. 2) 再生可能量の多い流通システムに対する強化学習(RL)に基づく保護スキーム: 流通システムにおける従来の保護パラダイムは,DERの増加によって克服されてきた。 0.76
Fig 13 presents the overcurrent protection scheme that is widely deployed in power distribution systems. 図13は、配電システムに広く展開されている過電流保護スキームを提示する。 0.73
Such a protection scheme will trip the line once the line current exceeds a threshold value, e g , 5 times the current I0 under normal conditions. このような保護スキームは、ライン電流がしきい値を超えると、通常の条件下で電流I0の5倍の閾値に達する。 0.76
However, if a DER is installed nearby, it may decrease the fault current by injecting reverse power flow. しかし、DERが近傍に設置されている場合、逆流を注入することで故障電流を低減することができる。 0.70
As a consequence, the current under the faulty condition might be much less than the relay threshold. その結果、故障状態の電流はリレー閾値よりもはるかに小さい可能性がある。 0.65
In order to address the protection challenges in a renewablerich distribution system, reference [204] places the protection problem into a RL framework (Fig. 14) in which the protection scheme is learned by interacting with a distribution system simulator. レファレンス[204]は、再生可能豊富な配電系統における保護課題に対処するために、保護問題を、配電系統シミュレータと相互作用して保護スキームを学習するrlフレームワーク(図14)に配置する。
訳抜け防止モード: 再生可能エネルギー流通システムにおける保護問題に対処するために 参照 [204 ] は保護問題を RL フレームワークに配置します (図 . 14 ) 保護策は 配電システムのシミュレーターと 対話することによって 学習される。
0.76
In the RL framework, the distribution system is modeled by a Markov decision process (MDP) described by states s ∈ S, actions a ∈ A, a reward function r(s, a), transition probability P , and a user-defined discount factor RLフレームワークでは、分布系は状態 s ∈ S, アクション a ∈ A, 報酬関数 r(s, a), 遷移確率 P, ユーザ定義割引因子によって記述されたマルコフ決定過程(MDP)によってモデル化される。 0.85
β ∈ (0, 1]. β ∈ (0, 1]. 0.38
The implication of the states, action, and reward function in the protection problem are annotated in Figure 13. 保護問題における状態、行動、報酬関数の影響を図13に記す。 0.53
In particular, the state si,t and action ai,t of relay i at time t are defined by 特に、時刻 t におけるリレー i の状態 si,t とアクション ai,t は、 0.56
i,t}, i,t, sd i,t }, i,t, areset i,t}, i,t, sd i,t }, i,t, areset 0.38
si,t = {sc ai,t = {aset si,t = {sc ai,t = {aset} である。 0.83
i,t, sb i,t, ad I、T、SB、T、広告 0.48
i,t represents local current measurements, sb i,tは局所電流の測定値 sbを表します 0.59
(6a) (6b) where sc i,t represents the status of the local breaker, sc i,t represents the value of the countdown timer, aset i,t represents the action of triggering the countdown timer, ad i,t represents the action of decreasing the value of the counter by one, and areset represents the action of i,t resetting the counter. (6a)(6b) sc i,t がローカルブレーカの状態を表す場合、sc i,t はカウントダウンタイマの値を表す場合、aset i,t はカウントダウンタイマをトリガーする動作を表す場合、ad i,t はカウンタの値を1つずつ減少させる動作を表し、reset はカウンターをリセットするi,t の動作を表す。 0.71
The reward function gives deterministic positive rewards to the tripping action under fault conditions and stay-in-silence action under normal condition, and it gives negative rewards to malfunctions. 報酬関数は、障害条件下でのトリッピング作用に決定論的正の報奨を与え、正常条件下でのサイレンス作用には負の報奨を与える。 0.58
The transition probability is determined by the distribution system; in practice it is unknown. 遷移確率は分布系によって決定されるが、実際には未知である。 0.83
The optimal action a∗(s) at state s is obtained by 状態 s における最適作用 a∗(s) を得る。 0.68
Q(s, a) = E a∗(s) = arg max Q(s, a) = E a∗(s) = arg max 0.42
(cid:18) a(cid:48)∈A Q(s, a(cid:48)), (cid:18) a(cid:48)・A Q(s, a(cid:48)) 0.40
r(s, a) + β max r(s, a) + β max 0.42
(cid:19) a(cid:48)∈A Q(s(cid:48), a(cid:48)) (cid:19) a(cid:48) ajaxa q(s(cid:48), a(cid:48)) 0.39
, (7a) (7b) where E(·) is the expectation operator; a(cid:48) is the possible nextstep action; and s(cid:48) is the next-step state given the current state and action; it is determined by the distribution system. , (7a) (7b) E(·) が期待演算子、a(cid:48) が次のステップであり、s(cid:48) が現在の状態と作用が与えられた次のステップの状態であり、分布系によって決定される。 0.55
In [204], the Q function in (7) is approximated by an NN. 204]では、(7)におけるQ関数はNNによって近似される。 0.74
The NN’s parameters are learned by a sequence of {s, a, r, s(cid:48)} observations from the framework shown in Fig 14. nnのパラメータは、図14に示すフレームワークから{s, a, r, s(cid:48)}の一連の観測によって学習される。 0.74
The dataset reported in [205] can be used for training the algorithm. 205]で報告されたデータセットは、アルゴリズムのトレーニングに使用できる。 0.76
The simulation results in [204] suggests that the failure rate of the RL-based relay is only 0.32% in a distribution system with 30% DER penetration, whereas the conventional overcurrent relay has a much higher failure rate, i.e., 15.46%, under the same condition. その結果、[204]におけるシミュレーションの結果、RL系リレーの故障率は、30% DER の浸透を伴う分布系では0.32%に過ぎず、従来のオーバーカレントリレーは15.46%の故障率である。 0.76
One future direction of this work is to investigate a rigorous convergence guarantee for the sequential reinforcement learning algorithm [204]. 本研究の今後の方向性は,逐次強化学習アルゴリズム[204]の厳密な収束保証を検討することである。 0.85
To summarize this section, we provide two-fold guidance on applying use-inspired AI methods in power systems. 本節を要約し,電力系統におけるai手法の適用について,2段階のガイダンスを提供する。 0.59
First, it is critical to find appropriate application scenarios that take precedence over proposing innovative methodology. まず、革新的な方法論の提案よりも優先する適切なアプリケーションシナリオを見つけることが重要です。 0.65
With deep neural networks as representatives, current AI techniques that are essentially model-agnostic function approximators usually present outperforming performance in application scenarios where there is only heuristic experience with no clear firstprinciple physical model, such as in load and renewable prediction. ディープニューラルネットワークを代表とする、基本的にモデルに依存しない関数近似器である現在のAI技術は、通常、負荷や再生可能予測のような明確な第一原理の物理モデルを持たないヒューリスティックな経験しか持たないアプリケーションシナリオにおいて、優れたパフォーマンスを示す。
訳抜け防止モード: ディープニューラルネットワークを代表とする現在のAI技術 is agnostic function approximator 通常、アプリケーションのシナリオではパフォーマンスが優れています。 過負荷や再生可能予測のような 明確な第一原理の物理モデルがない ヒューリスティックな経験があるだけだ
0.75
The illustrated neural network-based Lyapunov function [164] is another example. ニューラルネットワークに基づくリアプノフ関数 [164] も例である。 0.72
Although a Lyapunov function itself has rigorous definition, there is no traditional cost-effective analytical or numerical way to construct such a function for a large-scale real-world dynamical system, in which neural networks can provide an alternative effective solution. リアプノフ関数自身は厳密な定義を持つが、ニューラルネットワークが代替の効果的な解を提供するような大規模実世界の力学系に対してそのような関数を構築するためのコスト効率のよい分析的あるいは数値的な方法はない。 0.69
Second, it is desirable to intelligently and insightfully formulate critical challenges in traditional power systems into AI-friendly formats. 第二に、従来の電力システムにおける重要な課題をAIフレンドリーなフォーマットにインテリジェントかつ洞察的に定式化することが望ましい。 0.59
Consider illustrated forced oscillation source localization [201] as one example. 例として、強制振動源位置化[201]を挙げる。 0.73
Intuitively, it can be formulated as a typical classification problem by taking system global states as inputs and discrete location labels as outputs. 直感的には、システム大域状態を入力として、離散的な位置ラベルを出力として、典型的な分類問題として定式化することができる。 0.58
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 15 IEEEの成果 15 0.51
(a) (b) (c) (a) (b) (c) 0.43
Fig. 12. Illustration of the RPCA-based source localization algorithm: 第12話。 RPCAに基づくソースローカライゼーションアルゴリズムの図解 0.54
(a) the measurement matrix; (b) the low-rank matrix; and a) 測定行列 (b)低ランク行列,及び 0.59
(c) the sparse matrix. (c)スパース行列。 0.56
The (normalized) magnitudes of matrix entries are color-coded.The measurement closest to the source can be tracked by identifying the largest absolute entry in the sparse matrix, i.e., the entry with the brightest color. 行列エントリの(正規化された)大きさは色符号化され、ソースに最も近い測定は、スパース行列の最も大きな絶対エントリ、すなわち最も明るい色のエントリを特定することで追跡することができる。 0.68
(Source: Fig 2 of reference [201] ©IEEE 2021) (出典:参考図2(201年)第2021号) 0.63
. that enable it to meet and exceed customer expectations. . 顧客からの期待を 越えることができます 0.49
This section presents some industry use cases to illustrate the continuing adoption of machine learning techniques by Oncor, a regulated utility that operates operates the largest distribution and transmission system in Texas. 本項では,テキサス州で最大の配電・送電を運用する規制付ユーティリティであるOncorによる機械学習技術の採用を継続する産業利用事例を紹介する。 0.70
The following use cases were selected to show instances of AI adoption with relatively high maturity. 比較的成熟度の高いAI導入例を示すために、以下のユースケースが選択された。 0.62
In addition, we illustrate use cases (e g , asset management) that are not considered in powersystems research, but that are essential for business operations with physical devices spread over large distances. さらに,powersystems研究では考慮されていないが,物理機器を広範囲にわたって展開する業務に不可欠なユースケース(アセットマネジメントなど)について述べる。 0.76
All use case development is based on business needs and the value of the investment must be justified before a use case is developed, even if data are readily available. すべてのユースケース開発はビジネスニーズに基づいており、たとえデータが容易に利用可能であっても、ユースケースを開発する前に投資の価値を正当化する必要があります。 0.66
Moreover, the value-add of some high performance algorithms in many cases may not offset the maintenance cost required to keep such models operating properly (e g , due to model drift). さらに、多くの場合、いくつかの高性能アルゴリズムの価値付加は、モデルが適切に動作し続けるのに必要なメンテナンスコストを相殺しないかもしれない(例えば、モデルドリフトによる)。 0.65
Table VI provides a brief introduction to the industry use cases that will be described in detail. Table VIは、業界におけるユースケースについて、詳しく説明するための簡単な紹介を提供する。 0.63
Because some use cases involve proprietary information, details about pre- and post-processing steps and model accuracy level will not be disclosed. プロプライエタリな情報を含むユースケースもあるため、前処理と後処理の手順の詳細とモデルの精度は明らかにされない。 0.70
In many industry use-cases, the methods currently used may appear simplistic compared to the latest research; however, these use-cases are of high value, and large amounts of data are readily available. 多くの業界ユースケースでは、現在の手法は最新の研究に比べて単純に見えるが、これらのユースケースは高い価値を持ち、大量のデータが容易に利用可能である。 0.74
Utilities usually have multiple databases for various systems, such as outage management, advanced metering, work orders, geographical and meteorological data, and financial info. ユーティリティは通常、停止管理、高度な測定、作業命令、地理的および気象データ、財務情報など、さまざまなシステムのための複数のデータベースを持っている。 0.72
An essential challenge for conducting any big data analysis is to unify this data and enforce consistent formats for each data type. ビッグデータ分析を行う上で不可欠な課題は、このデータを統一し、各データタイプに対して一貫性のあるフォーマットを強制することだ。
訳抜け防止モード: ビッグデータ分析を行う上で不可欠な課題は このデータを統一し、各データ型に対して一貫したフォーマットを強制する。
0.74
At Oncor, a datalake was created to consolidate the data needed for analytics. oncorでは、分析に必要なデータを統合するためのデータレイクが開発された。 0.62
The datalake replicates data from all of Oncor’s operational databases. datalakeは、oncorのすべての運用データベースからデータを複製する。 0.77
In addition to supporting uniformity, this approach also minimizes stress on operational databases because they are accessed only during each scheduled copy rather than whenever an analyst makes a query. 均一性のサポートに加えて、このアプローチは、アナリストがクエリを行うたびにではなく、スケジュールされたコピー毎にのみアクセスされるため、運用データベースのストレスを最小限にする。 0.62
As the industry continues to adopt machine learning continues, and available platforms become more mature, advanced techniques will be more feasible at lower cost; these will be necessary to address more complex problems in power systems. 業界が機械学習を採用し続け、利用可能なプラットフォームが成熟するにつれて、より高度な技術は低コストで実現可能となり、これらは電力システムのより複雑な問題に対処する必要がある。 0.75
Most importantly, collaboration between practitioners and researchers must intensify to achieve efficient and contin- 最も重要なことは、実践者と研究者の協力は、効率的かつ連続的に達成するために強化されなければならない。 0.41
Fig. 13. The conventional threshold-based protection scheme may fail due to low fault current. 第13話。 従来のしきい値に基づく保護スキームは、低電流のため失敗する可能性がある。 0.51
(Modified from source: Fig 1 of [204]) (資料より変更:[204]第1図) 0.57
Fig. 14. Obtaining the Q function for the RL-based relay: the optimal policy embedded in the RL-based relay is obtained by interacting with a distribution system simulator. 第14話。 RLベースのリレーに対するQ関数の取得:RLベースのリレーに埋め込まれた最適ポリシーは、分散システムシミュレータと相互作用して得られる。 0.59
However, formulated as a matrix decomposition problem, this problem can be solved by RPCA that is commonly used for image processing, which has both outperforming accuracy and explainability. しかしながら、行列分解問題として定式化されているこの問題は、画像処理によく用いられるrpcaによって解決することができる。 0.68
VI. USE CASES OF INDUSTRY ADOPTION VI。 産業採用の事例 0.60
As more measurement data and data-driven algorithms become available, the power industry continues to adapt and improve operations by leveraging new technology and systems より多くの計測データとデータ駆動アルゴリズムが利用可能になると、電力業界は新たな技術とシステムを活用することで、運用の適応と改善を続けます。
訳抜け防止モード: より多くの測定データとデータ - 駆動アルゴリズムが利用可能になる。 電力産業は 新しい技術やシステムを活用して事業を改良する
0.79
TimeCurrent magnitudeFaulty conditionOvercurrent pickup thresholdActual fault currentDelay counterEMTP simulatorDistributio n gridLine trippingRL-based relayActionCounter settingStatesCurrent measurements, breaker status, and counterdowntimer valueRewardAssessmen t based on the consequence by the relay’s action 時間電流 マグニチュード オーバーカレント ピックアップ しきい値 電流 デレイ カウンターemtp シミュレータ 分散グリッドライン trippingrl-based relayactioncounter settingstatescurrent measurement, breaker status, counterdowntimer valuerewardassesment s based on the result by the relay's action 0.83
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 16 IEEEの成果 16 0.51
Application Transformer voltage anomaly classification Asset defect detection Short-/Mid-term load forecast Cold load characterization RIC Categorization 応用 変圧器電圧異常分類 集合欠陥検出 短期/中期負荷予測 冷負荷評価 RIC 分類 0.79
INDUSTRY DATA-DRIVEN USE CASES 業界データ駆動のユースケース 0.46
TABLE VI Algorithm テーブルVI アルゴリズム 0.65
Data Main method Change point detection YOLOv3 Regression trees Linear regression Cluster analysis データ 主手法変更点検出 YOLOv3 回帰木線形回帰クラスタ解析 0.79
Type Offline Offline Offline Offline Offline オフラインオフラインオフラインオフラインオフラインオフラインをタイプする 0.63
Accuracy 94% ≥ 87% 精度 94% ≥ 87% 0.80
- Aerial images Source AMI - 航空画像 出典AMI 0.52
AMI SCADA AMI アミ スカンダ アミ 0.45
Resolution 15min - 15min 1min 15min 解決 15分 - 15分 1分 15分 0.56
500 # Sample 3.7 ∗ 106 3.7 ∗ 106 4.9 × 105 500 # Sample 3.7 ∗ 106 3.7 ∗ 106 4.9 × 105 0.41
1300 Dimension 672 × 1 608 × 608 4.1 ∗ 104 × 1 Various 8, 064 × 1 1300 Dimension 672 × 1 608 × 608 4.1 ∗ 104 × 1 Various 8, 064 × 1 0.45
Computing Platform コンピューティングプラットフォーム 0.71
Spark* Tesla V100 GPU 火花* Tesla V100 GPU 0.53
Spark* - Spark* *Spark: 2 namenodes, dual Xeon-4208 (8-core); 8 datanodes, dual Xeon-5218 (16-core); 768 GB RAM per node. 火花* - 火花* ※Spark:2名ノード、デュアルXeon-4208(8コア)、8データノード、デュアルXeon-5218(16コア)、768GB RAM。 0.60
uous adoption. A. Asset Health 厳しい養子縁組だ A.アセットヘルス 0.51
For all utility companies, monitoring and maintaining their assets is critical to realizing system reliability and providing the highest quality service to their customers. すべてのユーティリティ企業にとって、彼らの資産の監視と維持は、システムの信頼性を実現し、顧客に最高の品質のサービスを提供することに不可欠です。
訳抜け防止モード: すべてのユーティリティ企業にとって。 資産の監視と維持 システムの信頼性を実現し、顧客に最高の品質のサービスを提供することに不可欠です。
0.71
Some assets, such as distribution class transformers, can be monitored by utilizing AMI meter data, such as voltage and kWh readings. 分配クラストランスのようないくつかの資産は、電圧やkWhの読み取りなどのAMIメーターデータを利用して監視することができる。 0.71
For assets where digital measurements are not available, health monitoring may be possible by analyzing asset images using advanced image processing techniques. デジタル計測ができない資産に対しては、高度な画像処理技術を用いて資産画像を分析することで健康モニタリングが可能となる。 0.75
Several Oncor use cases are presented below to illustrate how asset health can be monitored by utilizing machine learning methods. 以下に、機械学習手法を用いて資産の健全性を監視する方法について説明する。 0.55
As the largest utility company in the state of Texas, Oncor provides power to nearly 4 million customers through more than 1 million distribution class transformers, which can fail from damaged coils or overload degradation. テキサス州最大の電力会社であるOncorは、100万以上の配電クラストランスフォーマーを通じて、400万近い顧客に電力を提供している。
訳抜け防止モード: テキサス州最大のユーティリティ企業であるOncorは、100万以上の配電クラストランスフォーマーを通じて、400万近い顧客に電力を提供している。 損傷したコイルや 過負荷の劣化に 失敗する可能性がある。
0.64
Reactive replacement of a failed transformer can take more than 4 hours, but proactive replacements often take less than 1 hour. 故障した変圧器のリアクティブな交換には4時間以上かかるが、プロアクティブな交換は1時間未満で済むことが多い。 0.62
Thus, detecting failure precursors can significantly reduce both labor cost and outage time. これにより、故障前駆体の検出は、労働コストと停止時間の両方を大幅に削減することができる。 0.51
Fig. 15 shows a plot of the voltage and load measurements from a single phase 240V AMI meter. 第15図は、単相240v amiメーターからの電圧及び負荷測定のプロットを示す。 0.79
Both voltage “V1” (in Volts) and load “LOAD” (in kWh) time series, in red and grey respectively, have a 15-minute resolution. 電圧“v1”(ボルト)とロード“ロード”(kwh)の両方の時系列は、それぞれ赤と灰色で、15分間の解像度を持つ。 0.76
The two horizontal lines are the upper and lower limits of the operating voltage ratings defined by the American National Standards Institute (ANSI C84.1-2020), which are ±5% of the nominal voltage. 2つの水平線は、アメリカン・ナショナル・スタンダード・インスティテュート (ansi c84.1-2020) によって定義された運転電圧の上限であり、公称電圧の±5%である。 0.69
On June 24th, 2018 the voltage suddenly rose above the upper limit due to a damaged coil on the primary side of the transformer. 2018年6月24日、変圧器の一次側にあるコイルの損傷により、電圧が突然上限を上回った。 0.60
The sudden drop in voltage on July 18th, 2018 denotes the time of the replacement. 2018年7月18日の突然の電圧低下は、交換時期を示している。 0.70
Typically, a transformer will not fail immediately after a coil is damaged. 通常、コイルが損傷した直後に変圧器は故障しない。 0.71
Therefore, proactive replacement is realistic and valuable if a change in voltage can be detected soon enough. したがって、電圧の変化を十分早く検出できれば、積極的に置換することは現実的かつ価値がある。 0.63
After examining the pre-outage voltage profiles of all transformers replaced in Oncor’s system during an 18-month period, a change point detection algorithm was designed to detect over/under voltage issues. オンコーのシステムで交換されたすべての変圧器の電圧プロファイルを18カ月間検査した後、電圧問題を検出するために変更点検出アルゴリズムが設計された。 0.75
A change in mean and/or variance of a meter’s voltage was detected by a PySpark implementation of the functions provided in [206]. 206]で提供される機能のpyspark実装によって、メーターの電圧の平均および/またはばらつきの変化が検出された。 0.80
Several post-processing steps were implemented to remove change points due to outages or temporary voltage changes. 停止や一時的な電圧変更による変更点を取り除くために、いくつかの後処理ステップが実施された。 0.54
The thresholds for these steps were selected from the ground truth data. これらのステップのしきい値は、真理データから選択された。 0.71
Based on the number of issues seen on the same feeder, the detected issues were then categorized into various types, such as meter, transformer, or regulation issues, to enhance 同じフィーダーで見られる問題の数に基づいて、検出された問題はメーター、トランスフォーマー、規制問題など様々な種類に分類され、強化される。 0.62
Fig. 15. The voltage profile of a transformer with a coil damage and subsequent replacement. 第15話。 コイルの損傷とその後の交換を伴う変圧器の電圧プロファイル。 0.61
Voltage profile is in red and load profile is in grey. 電圧プロファイルは赤、負荷プロファイルは灰色です。 0.61
the troubleshooting process of the distribution operations organization. 流通運営組織のトラブルシューティングプロセス。 0.61
The algorithm and thresholds were tuned and improved using feedback received from the field. アルゴリズムと閾値はフィールドからのフィードバックを用いて調整および改善された。 0.85
Currently the voltage monitoring process runs every weekday on data from 3.7 million AMI meters. 現在、毎日370万AMIメートルのデータに基づいて電圧監視プロセスが実行されている。 0.60
The weekly-average accuracy for June-November 2021 is 94%. 2021年6月から11月の週平均精度は94%である。 0.59
Oncor began to monitor distribution transformer health in 2016. Oncorは2016年に流通トランスフォーマーの健康状態を監視し始めた。 0.59
As of November 2021, 3834 issues have been resolved proactively using transformer health analysis. 2021年11月現在、トランスフォーマーの健康分析を用いて3834の問題を積極的に解決している。 0.53
These issues include damaged transformers or meters, as well as installation, regulation, and secondary issues that affect voltage measurements. これらの問題には、故障した変圧器や計器、設置、規制、電圧測定に影響する二次的な問題が含まれる。
訳抜け防止モード: これらの問題には、変圧器やメーターの破損や設置が含まれる。 電圧測定に影響を及ぼす2次問題
0.72
Proactive transformer maintenance has saved Oncor approximately $3.25 million in equipment, labor and expenses as well as 5.5 million customer interruption minutes. プロアクティブ変圧器のメンテナンスにより、oncorは機器、労働、費用の約325万ドルを節約し、顧客中断分550万分を節約した。 0.50
Another asset health use case is defective insulator detection, due to, for example lightning strikes, forceful impacts or aging. もうひとつのアセットヘルスのユースケースは、雷撃、力強い衝撃、老化などによる絶縁体検出の欠陥である。 0.63
Defective insulators are hazardous to the operation of power lines and pose a risk to system reliability. 欠陥絶縁体は電力線の運転に危険であり、システムの信頼性に危険をもたらす。 0.81
Oncor has more than 18, 000 circuit-miles of transmission lines with over 500, 000 transmission insulators. Oncorには18,000の伝送路があり、50,000以上の絶縁体がある。 0.64
Rapid identification of damaged insulators, especially after a storm, is therefore a critical task in asset management. 損傷した絶縁体、特に嵐後の迅速な識別は、資産管理において重要な課題である。 0.57
Due to the scale of Oncor’s transmission system, manual inspection is infeasible. oncorのトランスミッションシステムの規模のため、手動での検査は不可能である。 0.72
An automated inspection method was developed that use aerial/drone images of transmission lines and convolutional neural networks. 送電線の空中/ドローン画像と畳み込みニューラルネットワークを用いた自動検査手法を開発した。 0.77
The insulator defect detection method employs YOLOv3 (You Only Look Once, Version 3 [9]), which is a real time object detection model that uses Darknet-53 [207] as the backbone feature extractor in a deep convolutional neural network. 深層畳み込みニューラルネットワークのバックボーン特徴抽出器としてdarknet-53[207]を用いるリアルタイムオブジェクト検出モデルであるyolov3(一度だけ見る、バージョン3[9])を用いる。
訳抜け防止モード: yolov3()を用いた絶縁体欠陥検出方法 一度だけ、バージョン3[9]を見るだけ)。 これはリアルタイムの物体検出モデルで ディープ畳み込みニューラルネットワークのバックボーン特徴抽出器としてdarknet-53[207]を使用する。
0.79
The model was initialized with YOLO’s pre-trained weights using the Microsoft COCO (Common Objects in Context) dataset [208] and insulator images, provided by Electric Power モデルは、Microsoft COCO(Common Objects in Context)データセット[208]とElectric Powerが提供する絶縁体イメージを使用して、YOLOのトレーニング済み重量で初期化された。 0.75
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 17 IEEEの成果 17 0.51
Research Institute (EPRI), were used for transfer learning and validation (confidential data). 研究機関(EPRI)は、転送学習と検証(機密データ)に使用された。 0.80
The defect detector successfully recognized the insulators in an image, pinpointed those issues of each damaged insulator, and classified the issues as either “broken” or “flashed.” 欠陥検出装置は画像中の絶縁体を認識し、損傷した絶縁体の問題を特定し、問題を「ブローク」または「フラッシュド」と分類した。 0.84
For the 50 testing images, each containing multiple flashed/broken locations, 100% of the broken points were detected correctly and 90% of the flashed points were detected. 50個のテスト画像において,複数の点滅箇所を含む画像において,破断点の100%が正しく検出され,点滅点の90%が検出された。 0.72
There were no misclassified issues. 未分類の問題はなかった。 0.66
The recent Texas House Bill 4150, also known as the “William Thomas Heath Power Line Safety Act,” which was passed through the Legislature in May 2019, requires all utilities to make regular inspections of their power lines to ensure that they comply with state and federal safety regulations. 2019年5月に議会を通過した「ウィリアム・トーマス・ヒース・パワーライン安全法」(william thomas heath power line safety act)としても知られるテキサス州下院法案4150は、州や連邦政府の安全規則に準拠するように電力線を定期的な検査を義務付けている。 0.72
Although Oncor completes routine inspections of all transmission power lines, detailed manual inspections of all structures are time consuming, impactful to land owners and costly. Oncorは全送電線の定期的な検査を完了しているが、すべての構造物の詳細な手作業による検査は時間がかかり、土地所有者に衝撃を与え、費用がかかる。 0.56
In an effort to reduce resources such as on right-of-way truck traffic, another deep model was trained and applied to aerial images of the power lines. 右側のトラックの交通量などの資源を減らすために、別の深層モデルが訓練され、電力線の空中画像に適用された。 0.71
This model is being developed in stages to ultimately identify reliability risks due to structures damaged by impacts or aging. このモデルは、衝撃や加齢による構造物の損傷による信頼性リスクを最終的に識別するために、段階的に開発されている。
訳抜け防止モード: このモデルは段階的に開発されています 衝撃や老化による構造物の損傷による 信頼性のリスクを究極的に特定することです
0.63
The first stage of this model requires Oncor to verify all structure asset information in the Oncor Transmission Information System. このモデルの最初の段階では、Oncor は Oncor Transmission Information System のすべての構造資産情報を検証する必要がある。 0.80
Because many transmission lines are 40+ years old, information in historical records may be inaccurate for structures where components were replaced or added after the initial installation. 多くの送信線は40年以上前からあるため、最初の設置後に部品が交換されたり追加されたりした場合、歴史的な記録の情報は不正確である。
訳抜け防止モード: 多くの送信線は40歳以上なので、歴史的記録の情報が不正確である場合もある。 最初のインストール後にコンポーネントが置き換えられた。
0.62
Additional stages include identifying attributes that can indicate structural issues that may cause outages and affect reliability performance. 追加のステージには、機能停止を引き起こし、信頼性性能に影響を及ぼす可能性のある構造的な問題を示す属性の特定が含まれる。 0.53
These attributes include • Composition: wood, steel, concrete • Design: H-frame, A-frame, これらの属性には • 構成:木、鋼、コンクリート • 設計:hフレーム、aフレーム、 0.68
lattice tower, multi-pole, 格子塔 マルチポール 0.47
single-pole • Cross arm: beam, double-plank • Brace: V, X, knee The effort to classify transmission line attributes made use of YOLOv3; the initial results were promising, with accuracy rates of 89% for braces and 87% for cross arms. シングルポール • クロスアーム:ビーム,ダブルプランク• ブラス:V,X,膝 トランスミッションライン属性をYOLOv3で分類する作業は有望であり, ブラスでは89%,クロスアームでは87%であった。 0.60
Fig 16 and Fig 17 show several examples of successful classification results. 図16と図17は、成功した分類結果のいくつかの例を示している。 0.57
As more images are labeled to augment training data, the model’s performance is expected to improve; furthermore, by including images with defective structures, the system can be used to inventory components as well as their degradation levels. より多くのイメージがトレーニングデータにラベル付けされるにつれて、モデルのパフォーマンスが向上することが期待されている。さらに、欠陥のある構造を持つイメージを含めることで、システムはコンポーネントのインベントリや、その劣化レベルに使用できる。 0.69
B. Load Forecasting Load forecasting is an essential building block in operating and planning tasks in both the power industry [209] and commercial building energy [210]. B.負荷予測 電力産業[209]と商業建築エネルギー[210]の両方において、負荷予測は運用および計画作業において不可欠なビルディングブロックである。 0.78
It is needed in many decision making processes for electric energy generation, DERs management, transmission, distribution, markets, and demandresponse. 電力発電、DER管理、送電、流通、市場、需要に対する多くの意思決定プロセスにおいて必要である。
訳抜け防止モード: エネルギー発生のための多くの意思決定プロセスにおいて必要である。 DERs Management, Transmission, Distribution, market, and demandresponse.
0.85
The pursuit of models that can achieve accurate load forecasts for short-, mid-, and/or long-term purposes is a long standing research area with a large body of literature [211], [212]. 短期的・中期的・長期的目的の正確な負荷予測を実現するモデルの追求は,大量の文献[211],[212]を有する長期研究領域である。
訳抜け防止モード: モデル追求 短期、中長期、または長期の目的のために正確な負荷予測を達成することができる 文学がたくさんある 長い研究エリアです [211] [ 212 ] .
0.79
For utility companies, short- and mid-term load forecasts are used to plan switching operations in control centers. ユーティリティ企業では、短期および中期の負荷予測がコントロールセンターでのスイッチング操作の計画に使用される。 0.75
Fig. 16. Examples for brace type classification. 背番号16。 括弧型分類の例。 0.55
Yellow boxes: V brace, green box: knee brace, blue boxes: X brace. 黄色の箱:Vブレース、緑の箱:膝ブレース、青い箱:Xブレース。 0.64
Fig. 17. Examples for beam type classification. 第17話。 ビームタイプ分類の例。 0.57
Red box: wood beam, yellow box: steel beam, green box: wood double-plank. 赤い箱:木製梁、黄色い箱:鋼製梁、緑の箱:木製二重板。 0.84
Moreover, load forecasts contribute to network reconfiguration and infrastructure development/improvem ent decisions. さらに、負荷予測は、ネットワーク再構成とインフラストラクチャ開発/改善決定に寄与する。 0.70
For example, to better prepare for high power demand seasons, Oncor conducts load analyses to forecast summer and winter feeder load peaks. 例えば、高電力需要シーズンに備えるために、oncorは夏と冬のフィーダー負荷ピークを予測するために負荷分析を行う。 0.74
In some cases, a contingency plan will be made ahead of these peak seasons for feeders that are at risk of overload based on historical load data leveraged by analytics. 場合によっては、分析によって活用された過去の負荷データに基づいて過負荷の恐れがあるフィーダーのピークシーズンに先立って、緊急計画を立てる。 0.73
These efforts have significantly improved Oncor’s reliability performance; there has not been a feeder lockout event due to overload since 2018. これらの取り組みにより、oncorの信頼性が大幅に向上した。2018年以降、過負荷によるfederロックアウトイベントは発生していない。 0.60
Switching operations, however, are a major challenge for feeder load forecasting because a feeder’s load can change significantly due to a load switching event (e g feeder reconfiguration due to an outage or planned maintenance). しかし、負荷切替イベント(停止や計画されたメンテナンスによるフィーダの再設定など)によって、フィーダの負荷が大きく変化する可能性があるため、フィーダの負荷予測にとって、操作の切り替えは大きな課題である。 0.74
A robust model is needed to respond to these events quickly and adjust the forecasts correspondingly. これらのイベントに素早く応答し、対応する予測を調整するには、堅牢なモデルが必要です。
訳抜け防止モード: 堅牢なモデルが必要です これらの出来事に迅速に対応し 対応する予測を調整します
0.81
Oncor currently is developing deep learning methods to surpass the performance of the current approach. oncorは現在、現在のアプローチのパフォーマンスを超えるディープラーニング手法を開発している。 0.67
Besides feeder load forecasts, load forecasting at any device is needed for making operational decisions in the control rooms. フィーダ負荷予測の他に、コントロールルームで運用上の判断を行うには、任意のデバイスでの負荷予測が必要である。 0.61
One approach is to forecast the load at each distribution transformer using AMI meter data and then aggregate at each device as needed. 1つのアプローチは、AMIメーターデータを使用して各分散トランスの負荷を予測し、必要に応じて各デバイスに集約する。 0.73
With a large quantity of distribution transformers (e g , more that 1 million in Oncor’s system), if computational power is limited, cluster analysis can be used to group transformers with similar load behaviors. 大量の分散変換器(例えば、Oncorのシステムで100万以上)を使用すれば、計算能力が限られている場合、クラスタ分析は同様の負荷挙動を持つ変換器をグループ化することができる。 0.77
Normalization (re-scaling each load profile to range [0, 1]) is needed before clustering so that the clustering results are affected mainly by the shape of the load profiles. 各負荷プロファイルを[0, 1]の範囲に再スケーリングする)正規化は、クラスタリング結果が主に負荷プロファイルの形状に影響されるように、クラスタリングの前に必要である。 0.78
After the transformers have been assigned into clusters, load forecasts for each cluster center (the representative of all transformers in that cluster) can be 変換器がクラスタに割り当てられた後、各クラスタセンター(クラスタ内のすべての変換器の代表)の負荷予測が可能である。 0.82
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 18 IEEEの成果 18 0.51
will likely fall outside the setpoint range. セットポイントの範囲外に落ちる可能性があります。 0.53
Once the power is restored to the feeder, diversity of the heating or cooling load would be lost due to all the units turning on at the same time. 給電機に電力を戻すと、全てのユニットが同時にオンになっているため、加熱や冷却の負荷の多様性が失われる。 0.62
This increase in load is referred to as ”cold load”. この負荷の増加は、"コールドロード"と呼ばれる。 0.73
After some time period passes, the diversity will be restored because the unit run times will vary depending on factors such as HVAC rating, home size, and temperature setpoints. 一定期間が経過した後は、居住率、家の大きさ、温度設定などの要因によって単位の実行時間が異なるため、多様性が回復する。 0.69
Cold load peak values are affected by pre-outage load behavior, season (winter/summer), time of day, ambient temperature, and load composition (customer types). 寒冷荷重ピーク値は, 降圧前負荷挙動, 季節(冬/夏), 日時, 環境温度, 負荷組成(顧客タイプ)によって影響を受ける。 0.84
Predicting these values at feeder breakers or other downstream protective devices enables optimal sequencing of operations to restore power quickly while minimizing the likelihood of damaging equipment. フィーダーブレーカーや他の下流保護装置におけるこれらの値の予測は、機器の損傷の可能性を最小限に抑えつつ、動作の最適なシークエンシングを可能にする。
訳抜け防止モード: フィードブレーカーや他の下流保護装置におけるこれらの値の予測 操作の最適なシークエンシングを可能にする 設備の損傷を最小限に抑えながら 迅速に電力を回復する。
0.66
In addition, EMS typically has a load shed/restoration tool that can automatically conduct outage rotations among all feeders in the system during a short supply situation such as the recent Texas power crisis [70]. さらに、emsは通常、最近のテキサス電力危機[70]のような短い供給状況において、システム内のすべての供給者間で自動的に停止回転を行うロードシェド/修復ツールを備えている。 0.58
With predictions of each feeder’s postoutage load peaks, the EMS can automatically and accurately follow ISO’s load-shed requirements to protect the entire power grid. 各供給者の負荷ピークの予測によって、emsはisoの負荷削減要求を自動的かつ正確に追従し、電力網全体を保護することができる。 0.69
Oncor is currently testing a linear regression model Oncorは現在、線形回帰モデルをテスト中 0.81
to predict the ratio of the peak cold-load (post-outage) and preoutage load of a feeder. 給油機のピーク冷負荷(停電後)とプレアウト負荷の比率を予測する。 0.67
The data used are outage duration, preand post-outage temperatures, and the fraction of residential customers on the feeder. 使用したデータは、停止期間、前および後温度、およびフィーダー上の住宅顧客の割合である。 0.69
The residential load fraction is a good proxy for feeder load diversity (i.e., the independently controlled cyclic loads such as HVAC systems that may be energized at any given time during normal operating conditions). 住宅負荷分画は、供給者負荷の多様性(通常の運転条件下ではいつでもエネルギ化されるHVACシステムのような独立に制御された循環負荷)のよいプロキシである。 0.82
Since feeder breaker level outages are relatively rare, feeders are grouped by their residential fractions and a model is learned for each feeder-group. 給餌者のレベルダウンは比較的稀であるため,給餌者は居住率によってグループ化され,各給餌者グループ毎にモデルが学習される。 0.57
A total of 1127 breakers were evaluated and training data were collected for fitting the regression model. 計1127名のブレーカーが評価され,回帰モデルに適合するトレーニングデータが収集された。 0.70
To accurately capture the cold load behavior, switch operation logs and fuse level events were reviewed to ensure that the cold load peaks were neither overestimated due to switching operations nor underestimated due to fuse level events behind the breakers. コールドロード挙動を正確に把握するために,スイッチング操作ログとヒューズレベルイベントをレビューし,スイッチング操作によるコールドロードピークの過大評価やブレーカ背後のヒューズレベルイベントによる過大評価がないことを確認した。 0.74
During an emergency situation, this model will take the pre-selected outage durations for feeder rotations and post-outage temperatures as inputs. 緊急時、このモデルでは、プリ選択された停止期間を、フィード装置の回転と出力後の温度を入力として取る。 0.52
The model will output a predicted load ratio for each (phase) feeder and the power ratio, then the cold-load peaks can be estimated. モデルでは、各(フェーズ)フィードヤの予測負荷比と電力比を出力し、冷負荷ピークを推定することができる。 0.84
These four predictions are useful for unbalanced feeders; in balanced feeders, a single estimate of the power ratio is sufficient. これらの4つの予測は、バランスの取れていない供給者にとって有用である。 0.55
Fig. 19 shows an example of the cold load peak prediction for one feeder using the trained regression model. 第19図は、訓練された回帰モデルを用いた1台の給電機の冷負荷ピーク予測の例である。 0.70
The two highlighted points in the figure mark the pre-outage current and predicted post-outage current for one phase of a feeder. 図中の2つのハイライトポイントは、フィード装置の1つのフェーズで、出力前の電流と出力後の電流をマークする。 0.60
The predicted value is marked at the same location as the post-outage load peak only for better visualization and easier comparison. 予測値は、より良い視覚化と簡単な比較のためにのみ、障害後の負荷ピークと同じ位置にマークされる。 0.64
C. Residential/Industri al/Commercial (RIC) Categorization C.住宅・産業・商業(RIC)分類 0.53
For many transmission and distribution planning models, RIC percentages at each substation transformer bank are used to allocate load in the base-case models. 多くの送電・配電計画モデルでは、各変圧器バンクのRICパーセンテージを使用してベースケースモデルの負荷を割り当てる。 0.72
These percentages are also used to derive the number of various motor types これらの割合は、各種モータの数を導出するためにも用いられる。 0.67
Fig. 18. An example of transformer load forecast results. 第18話。 変圧器負荷予測結果の例。 0.56
Blue dots: actual measurements; red dots: predicted values. 青い点:実測値、赤い点:予測値。 0.65
Top figure: predicted and actual loads; bottom figure: predicted and actual temperatures. トップフィギュア: 予測と実際の負荷、ボトムフィギュア: 予測と実際の温度。 0.68
obtained; they are then scaled back to each transformer’s load level by undoing the normalization steps. 次に、正規化ステップを解除することで、各トランスの負荷レベルにスケールバックされる。 0.68
If distributed computing platforms are available, transformer load forecasting can be conducted by directly training individual models for every transformer, which will introduce fewer errors. 分散コンピューティングプラットフォームが利用可能であれば、トランスフォーマーの負荷予測は、各トランスフォーマーの個々のモデルを直接トレーニングすることで行うことができる。 0.74
Oncor implemented a regression tree model [213] on Spark that serves both short- and mid-term needs. oncorはspark上に回帰ツリーモデル[213]を実装し、短期的および中期的なニーズの両方に対応している。 0.55
The load of a transformer is affected by both numerical and categorical factors. 変圧器の荷重は数値的要因とカテゴリー的要因の両方に影響される。 0.74
The most important numerical factors include temperature, wind speed, humidity, and solar radiation, whereas categorical factors include time of day, day of week, month, etc. 最も重要な数値的要因は、気温、風速、湿度、太陽放射であるが、カテゴリー的要因は、日時、曜日、月などである。 0.68
To avoid over-fitting, the maximum numbers of layers and leaves were tuned based on model performance. 過剰フィッティングを避けるために,モデル性能に基づいて最大層数と葉数を調整した。 0.81
Fig. 18 shows an example of the hourly load forecasting results for one distribution transformer over the course of 3 days. 第18図は、1つの配電変圧器の3日間の時間負荷予測結果の例である。 0.68
The blue and red curves on the top plot give the actual and predicted load based on the predicted temperatures in the bottom plot (blue curve) using a regression tree model trained for a particular transformer. トッププロット上の青と赤の曲線は、特定の変圧器のために訓練された回帰ツリーモデルを用いて、底プロットの予測温度に基づいて、実際のおよび予測された負荷を与える。 0.74
There is a trade-off between model performance (error level) and computing time, which can be calibrated to suit shifting business needs at any given time. モデルパフォーマンス(エラーレベル)とコンピューティング時間の間にトレードオフがあり、いつでもビジネスニーズのシフトに合わせて調整することができる。 0.81
This approach is able to capture non-periodic activity that sometimes deviates from the temperature as seen on Day 2 in Fig 18. このアプローチは、図18の2日目に見られるように、時折温度から逸脱する非周期的な活動を捉えることができる。
訳抜け防止モード: このアプローチは周期的でないアクティビティを捉えることができる 図18の2日目の温度から逸脱することもある。
0.75
The accuracy of load forecasts is highly dependent on the accuracy of weather forecasts, which utility companies usually obtain from vendors. 負荷予測の精度は、ベンダーが通常取得する天気予報の精度に大きく依存する。
訳抜け防止モード: 負荷予測の精度は、天気予報の精度に大きく依存する。 営利企業は通常 ベンダーから得ています
0.69
The uncertainty in the exogenous factors must be accounted for in the final forecast, and because several of those factors are forecasts themselves, errors can be large. 外因性因子の不確実性は最終予測で考慮しなければなりませんし、これらの要因のいくつかは予測自身であるため、エラーが大きい場合があります。 0.64
In this case, the model’s performance is sufficient to add value to business operations at normal operating levels and in typical seasonal weather. この場合、モデルのパフォーマンスは、通常の運用レベルと典型的な季節的な天候でビジネスオペレーションに価値を加えるのに十分です。 0.86
The accuracy will be reduced during time of extreme cold or heat due to the lack of historical meter data. 過去のメータデータの欠如により、極端な寒さや暑さの時期に精度が低下する。 0.64
A special case in load forecasting is cold load characterization. 負荷予測における特別なケースは、コールドロード特性である。 0.64
During steady state, the heating or cooling load on a feeder is typically a smaller percentage of the total heating or cooling load. 定常状態では、供給装置の加熱または冷却負荷は、通常、全加熱または冷却負荷のより小さい割合である。 0.86
This reduced load results from the diversity of HVAC (heating, ventilation, and air conditioning) units simultaneously running due to normal cycling between on and off. これにより,HVAC(暖房,換気,空調)ユニットがオン/オフの通常のサイクルにより同時に動作し,負荷を低減した。 0.75
After an extended outage the temperature in the residence 住宅の温度を延ばした後 0.57
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 19 IEEEの成果 19 0.51
were needed for a cluster with 2 namenodes (dual Xeon-4208, 768 GB RAM per node) and 8 datanodes (dual Xeon-5218, 768 GB RAM per node) as shown in Table VI. 2つのネームノード(dual xeon-4208, 768 gb ram per node)と8つのデータノード(dual xeon-5218, 768 gb ram per node)を持つクラスタが必要だった。 0.79
The analysis will be repeated annually to capture any premises with changes in load type. 分析は毎年繰り返して、ロードタイプの変更のある任意の前提をキャプチャする。
訳抜け防止モード: 分析は毎年繰り返されます 負荷タイプの変化を伴う任意の前提をキャプチャする。
0.80
D. Other Use Cases D.その他のユースケース 0.65
Many companies in the power industry have been developing data-driven methods for their business needs. 電力業界の多くの企業は、ビジネスニーズに対してデータ駆動の手法を開発してきた。 0.54
Exelon Utility and ComEd applied classification methods to aerial/satellite images as well as light detection and ranging (LiDAR) data for vegetation management to better understand the system’s tree trimming workload in the system seeking to cut rimming costs while reducing the number of tree-related outages [216], [217]. Exelon Utility と ComEd は,植物管理のための光検出・測光(LiDAR)データとともに,大気・衛星画像の分類手法を適用し,伐採コストの削減を図るシステムにおけるシステムのツリートリミング負荷をよりよく理解し,樹木関連機能停止の件数を削減した[216],[217]。 0.86
ISO New England proposed a prediction method based on decision tree to instruct interface limit values for different operating conditions [218]. ISO New Englandは、異なる動作条件のインタフェース制限値を指示する決定木に基づく予測手法を提案した[218]。 0.85
Researchers in Hitachi proposed a three-layer wind power prediction model based on the data from historical power measurements and numerical weather prediction tools [219]. 常陸の研究者らは、過去の電力測定と数値気象予測ツールのデータに基づく3層風力予測モデルを提案した[219]。 0.88
In addition, Bhattarai et al reviewed related literature on big data analytics from the perspectives of electric utilities and industry [56]. さらにbhattaraiらは,電力事業や産業の観点からビッグデータ分析に関する関連文献をレビューしている [56]。 0.76
VII. OUTLOOK In this paper, we have briefly reviewed the structure of today’s AI power system physical and market operation, infrastructure of data acquisition and computation in power systems, state-of-the-art AI-based approaches for multiple critical functions, and industrial use cases of AI methods. VII。 展望 本稿では、今日のAIパワーシステムの物理的・市場運用の構造、電力システムにおけるデータ取得と計算のインフラ、複数の重要な機能に対する最先端のAIベースのアプローチ、AIメソッドの産業利用事例について概観する。 0.61
In the following, we propose several research directions from the aspects of data, computing and AI algorithms. 以下に、データ、コンピューティング、AIアルゴリズムの各側面から、いくつかの研究方向を提案する。 0.70
A. High-quality Open-source Datasets A.高品質オープンソースデータセット 0.71
in contrast Despite the advances in data acquisition, 対照的に データ取得の進歩にもかかわらず 0.74
to numerous datasets that have benefited broad AI communities, the lack of publicly accessible high-quality power datasets may be impeding the advancement of AI research in power systems. 幅広いAIコミュニティに恩恵を与えた多くのデータセットに対して、公開アクセス可能な高品質なパワーデータセットの欠如は、電力システムにおけるAI研究の進歩を妨げる可能性がある。 0.66
There are several reasons for the limited public access to power datasets. 電力データセットへのパブリックアクセスが制限されている理由はいくつかある。 0.60
First, most real-world operational data are protected by policies such as CEII in the interest of confidentiality. 第一に、現実世界の運用データは機密性に関心のあるCEIIのようなポリシーによって保護されている。 0.56
Second, due to the reliability of real-world power grids, the rairty of opportunities to observe high-impact events may produce an insufficiently robust real-world measurement dataset. 第二に、現実世界の電力グリッドの信頼性のため、高インパクト事象を観測する機会の欠如は、不十分なほど堅牢な実世界の測定データセットを生み出す可能性がある。 0.55
Third, the value of creating comprehensive and trustworthy benchmark power datasets has been overlooked by the power system community. 第3に、総合的で信頼できるベンチマークパワーデータセットを作成する価値は、電力システムコミュニティによって見過ごされています。 0.64
There have been few open-source datasets [220], [221] and online contests dedicated to topics such as forced oscillation localization [222] and power system operation [223], [224]. オープンソースのデータセット[220]、[221]や、強制発振ローカライゼーション[222]、[223]、[224]といったトピックに特化したオンラインコンテストは、ほとんどありません。
訳抜け防止モード: オープンソースのデータセット [220 ] はほとんどありません。 [221] 強制発振ローカライゼーションなどのトピックに特化したオンラインコンテスト[222] 電力系統操作 [223 ] [224 ]
0.75
However, far more will be needed to build a standard library of open-source benchmark datasets along with critical tasks in clear mathematical formulation that can be used to train, calibrate, test and benchmark data-driven models. しかしながら、オープンソースのベンチマークデータセットの標準ライブラリと、データ駆動モデルのトレーニング、キャリブレーション、テスト、ベンチマークに使用できる明確な数学的定式化における重要なタスクを構築するには、さらに多くのものが必要である。 0.59
One critical challenge is that commonly used random sampling and data generation methods do not guarantee representativeness [44] and may introduce unexpected biases into subsequent data-drive methods. 1つの重要な課題は、一般的に使用されるランダムサンプリングとデータ生成手法が代表性を保証していないことである [44] 。 0.73
Therefore, it is critical それゆえ 重要なのは 0.79
Fig. 19. An example of the cold load peek forecasting result for one feeder. 第19話。 1つのフィードのコールドロードピーク予測結果の例。 0.49
Orange curve: SCADA current time series data before and after a feeder level outage; grey points: pre-outage current reading and predicted post-outage current. オレンジカーブ:SCADAのカレント時系列データ、フィードレベルの停止前後、グレーポイント:前停止電流と予測後の電流。 0.67
for dynamics models and simulations. 動力学モデルやシミュレーションに役立ちます 0.72
Likewise, distribution planners must sometimes perform weather corrections for load projections. 同様に、分配プランナーは時として負荷予測のための天気補正を行う必要がある。 0.51
In these cases, industrial and other nonweather-sensitive loads (such as water pumping and/or oil field pumping loads) are not weather-corrected, because these load types are rarely weather-sensitive or weather-dependent. これらの場合、工業負荷や非湿潤負荷(水ポンプや油田揚水負荷など)は、天候依存性や天候依存性がほとんどないため、天候補正されない。 0.69
Traditionally, the customer category of a premise is established at the creation of the premise and may not get updated when the customer type changes. 伝統的に、前提の顧客カテゴリは前提の作成時に確立され、顧客タイプが変化しても更新されない。 0.73
For example, a commercial building can be leased to a new business that has a completely different load profile from that of the previous business, but the utility may not be aware of the change. 例えば、商業ビルは、以前のビジネスとは全く異なる負荷プロファイルを持つ新しいビジネスにリースすることができるが、ユーティリティは変更を意識していないかもしれない。 0.70
Before system-wide installation of advanced meters, the RIC process used typical summer and winter hourly load profiles for each category of the building distribution feeder models. 高度計のシステム全体に導入される前は、RCIプロセスは典型的な夏と冬の時間ごとの負荷プロファイルを建物分布供給モデルの各カテゴリに使用していた。 0.64
With the availability of AMI interval data and distributed computing, the process can be improved by directly analyzing the load profile of each premise. ami間隔データと分散コンピューティングが利用可能になると、各前提の負荷プロファイルを直接分析することでプロセスが改善される。 0.79
Because residential meters can usually be identified using information provided by ISOs, it is more valuable to focus on the non-residential meters. 住宅メータは通常、isosが提供する情報を用いて識別できるため、非居住メータに注目することがより重要である。 0.70
As an initial approach, cluster analysis was conducted on data from approximately 490, 000 non-residential meters. 最初のアプローチでは、約490,000の非リシデンシャルメーターのデータに基づいてクラスタ分析を行った。 0.74
Domain experts selected 12 weeks (non-contiguous) over a 1-year period that adequately covered different seasonal and holiday effects (e g , extended hours during holidays). ドメインの専門家は1年間の期間で12週間(非連続)を選択し、季節や休日の影響を適切にカバーした(例:休日中の延長時間)。 0.69
The 15 minute interval load data was collected from each week and the timeseries for each meter were stacked into 8064-dimensional vectors (12×7×24×4). 15分間隔の負荷データを毎週収集し,各メータの時系列を8064次元ベクトル(12×7×24×4)に積み重ねた。 0.78
K-means clustering was applied to the data with, initially, k = 100. k-meansクラスタリングは、まず、k = 100でデータに適用された。 0.77
The initial parameter values were chosen as subject matter experts’ estimation. 初期パラメータ値は課題の専門家の推定値として選択された。 0.72
Subsequently, large clusters were checked by comparison of random samples within the cluster to the cluster center (i.e., comparing the average load profile with the other profiles within the cluster). その後、クラスタ内のランダムなサンプルとクラスタ中心の比較(つまり、平均負荷プロファイルとクラスタ内の他のプロファイルを比較する)によって、大規模なクラスタをチェックする。 0.72
If a large deviation was found, then the cluster was split. 大きな偏差が見つかった場合、クラスターは分裂した。 0.66
A less heuristic approach would be to use the V -measure or silhouette-coefficient to determine an optimal number of clusters [214], [215]; however, cluster-splitting was found to be effective for this use case. よりヒューリスティックなアプローチでは、V測定またはシルエット係数を用いて最適なクラスタ数[214],[215]を決定するが、クラスタ分割はこのユースケースで有効であることが判明した。 0.78
This cluster analysis was conducted using Spark; 3–4 hours このクラスター分析はSparkを用いて行われた。 0.64
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 20 IEEEの成果 20 0.51
to investigate data generation methods that guarantee comprehensiveness and representativeness; these may be datasetinspired or task-tailored. 包括性と代表性を保証するデータ生成方法を調査するために、datasetinspiredまたはtask-tailoredがある。 0.57
In the meantime, it is also necessary to propose algorithm-agnostic metrics to consistently assess the property of representativeness. 一方,代表性の特性を一貫して評価するアルゴリズムに依存しない指標も提案する必要がある。 0.71
B. Advanced Computing B.アドバンストコンピューティング 0.68
As mentioned in Section II, complex control algorithms are too time-consuming for real-time security control, especially in contingency scenarios. 第2節で述べたように、複雑な制御アルゴリズムはリアルタイムのセキュリティ制御には時間がかかりすぎる。 0.76
The rapid expansion of sensors has enabled massive data acquisition; however, although this data is necessary for realizing a digitized power grid, using all of it is beyond current computing capacity for centralized methods. センサーの急速な拡大により大量のデータ取得が可能となったが、デジタル化された電力網を実現するためにはこのデータは必要だが、中央集権的手法では現在の計算能力を超えている。 0.67
Therefore, to explore and exploit advanced algorithms and massive streaming data, hybrid edge and cloud computing are necessary to dynamically balance the computational-load and escalate computing power as needed. したがって、高度なアルゴリズムと大規模なストリーミングデータを調べて活用するには、計算負荷の動的バランスと計算能力の増大を必要に応じて行う必要がある。 0.75
For example, edge devices can compute partial results across several hundred sensors (e g , half of a neural network’s layers) and forward the results to the control center for final computations, effectively distributing computational load. 例えば、エッジデバイスは数百のセンサー(ニューラルネットワークのレイヤーの半分など)で部分的な結果を計算し、最終的な計算のために制御センターに転送し、計算負荷を効果的に分散することができる。 0.85
Furthermore, new ASIC devices, dedicated to power system computations could be used in edge devices for real-time data processing and to accelerate simulations. さらに、電力システム計算に特化した新しいASICデバイスは、エッジデバイスでリアルタイムデータ処理やシミュレーションの高速化に使用できる。 0.81
In addition, communications between edge and cloud may contain sensitive information, requiring privacy preserving methods such as federated learning [110]. さらに、エッジとクラウド間の通信には機密情報が含まれており、連合学習[110]のようなプライバシ保護方法が必要となる。 0.58
Besides accelerating computation, platforms are needed to manage the complexity introduced by digitization. 計算の高速化に加えて、デジタル化によってもたらされる複雑さを管理するプラットフォームも必要である。 0.55
The software development industry uses a set of (automation) practices called “DevOps” to manage development, integration, testing, deployment, and monitoring of distributed software systems. ソフトウェア開発業界は“DevOps”と呼ばれる一連の(自動化)プラクティスを使って、分散ソフトウェアシステムの開発、統合、テスト、デプロイメント、監視を管理しています。 0.72
In sectors where data-driven and machine learning algorithms are used, another layer is added to DevOps [225], [226] that encompasses automated training, testing, deployment, and monitoring of models—this is called “MLOps” [227], [228]. データ駆動型および機械学習アルゴリズムを使用するセクターでは、モデルの自動トレーニング、テスト、デプロイ、監視を含むdevops[225]、[226]、[227]、[228]に別のレイヤが追加されている。
訳抜け防止モード: データ-駆動と機械学習アルゴリズムが使用される分野。 DevOps [225 ], [226 ] に追加される別のレイヤ モデルの自動トレーニング、テスト、デプロイメント、監視を含む これは“MLOps ” [227 ], [228 ] と呼ばれている。
0.82
Both DevOps and MLOps lower the maintenance cost of complex software systems through automation, but the initial investment is high. DevOpsとMLOpsはどちらも、自動化によって複雑なソフトウェアシステムのメンテナンスコストを下げるが、初期投資は高い。 0.71
For efficient digitization of the power grid, both DevOps and MLOps will be necessary; however, there are unique aspects of power systems that require investigation. 電力グリッドの効率的なデジタル化には、devopsとmlopsの両方が必要になるだろう。
訳抜け防止モード: 電力グリッドの効率的なデジタル化には、DevOpsとMLOpsの両方が必要です しかし, 調査を必要とする電力システムには, 独特な側面がある。
0.67
Because the grid is primarily hardware, it would be highly imprudent to blindly adopt methods developed for pure software environments. グリッドは主にハードウェアであるため、純粋なソフトウェア環境向けに開発された手法を盲目的に採用することは非常に不適当である。
訳抜け防止モード: グリッドは主にハードウェアなので 純粋なソフトウェア環境向けに開発された手法を盲目的に採用する。
0.77
The instrumentation and sensors being deployed into modern grids also bring cyber-security challenges. 現代のグリッドに配置される機器とセンサーは、サイバーセキュリティの課題も引き起こす。 0.61
If the data and contols are transmitted over the internet (e g , cloud computing), the grid is vulnerable to the same cyber-attacks as a website, except the stakes are much higher: outages, energy theft, and loss of private data. データとコントールがインターネット上で送信される場合(例えばクラウドコンピューティング)、グリッドはWebサイトと同じサイバー攻撃に対して脆弱である。
訳抜け防止モード: データとコントルがインターネット経由で送信される場合(クラウドコンピューティングなど) グリッドはwebサイトと同じサイバー攻撃に対して脆弱です。 停電、エネルギー盗難、個人データの損失などだ。
0.60
Monitoring and detecting cyberthreats to the grid is an important area for cross disciplinary research combining power systems, cyber-security, and AI. グリッドへのサイバー脅威の監視と検出は、電力システム、サイバーセキュリティ、aiを組み合わせた学際研究にとって重要な分野である。 0.61
C. Use-inspired AI Methods for Practical Applications c. 実用的利用のためのai手法 0.62
Because power grids are large-scale critical infrastructure systems for human society, future research efforts ought to use-inspired AI algorithms that possess three key properties, namely interpretability, robustness, and scalability, aiming to 電力グリッドは、人間の社会にとって大規模な重要なインフラシステムであるため、将来の研究は、解釈可能性、堅牢性、スケーラビリティという3つの重要な特性を持つAIアルゴリズムを使用するべきである。
訳抜け防止モード: 電力網は大きいので -人間社会における重要なインフラシステムの構築、今後の研究動向- 解釈可能性という3つの重要な特性を持つaiアルゴリズムに触発された。 ロバストネスとスケーラビリティ
0.66
facilitate practical applications. 実用化に役立てるのです 0.49
First, AI algorithms ought to be explainable by first-principle-based physical models, because only interpretable algorithms are acceptable for participation in the human-in-the-loop decision making process. まず第一に、AIアルゴリズムは第一原理に基づく物理モデルによって説明可能である必要がある。 0.53
In particular, interpretable AI approaches should provide clear causal inference for the purposes of real-time monitoring, control and diagnosis, such as identifying root cause of complex observations. 特に、解釈可能なAIアプローチは、複雑な観測の根本原因を特定するなど、リアルタイム監視、制御、診断の目的で明確な因果推論を提供する必要がある。 0.62
Preliminary efforts have been devoted to physicsinformed ML as summarized in [229]. [229]で要約したように、物理インフォームドMLに予備的な取り組みが注がれている。 0.48
The principle is to steer the learning process towards identifying physically consistent solutions, of which instructive guidance contains three aspects, namely data processing, loss function modification, and model architecture design. 原則は、データ処理、損失関数修正、モデルアーキテクチャ設計という3つの側面を含む、物理的に一貫したソリューションを特定するための学習プロセスを操ることである。 0.75
For example, incorporating ordinary different equation (ODE) formats into loss function as regularization terms can improve the performance of system identification algorithms based on transient data or improve the fidelity of transient data generation methods. 例えば、正規微分方程式 (ode) 形式を正規化項として損失関数に組み込むことで、過渡データに基づくシステム同定アルゴリズムの性能向上や、過渡データ生成法の忠実性の向上が期待できる。
訳抜け防止モード: 例えば、通常の異なる方程式(ODE)形式を正規化用語として損失関数に組み込む。 過渡データに基づくシステム識別アルゴリズムの性能向上 過渡的なデータ生成方法の忠実さを 改善することです
0.86
Second, AI algorithms must have performance guarantees extending beyond the basic, unperturbed scenarios. 第2に、AIアルゴリズムは、基本的な、障害のないシナリオを超えてパフォーマンスを保証する必要がある。 0.50
Particularly, the robustness to perturbation is critically important for reinforcement learningbased algorithms for decision making. 特に、摂動に対する堅牢性は、意思決定のための強化学習に基づくアルゴリズムにとって極めて重要である。 0.62
Meta reinforcement learning [230], [231] and transfer learning can potentially accommodate the gap between reality and simulation environment, thereby rendering the decision making adaptive to varying conditions and scenarios. メタ強化学習[230],[231],転送学習は,現実とシミュレーション環境のギャップを埋める可能性があり,様々な条件やシナリオに適応した意思決定を可能にする。 0.86
Third, another highly desirable feature of AI algorithms is scalability, which refers to adequate effectiveness and efficiency in large-scale real-world systems. 第3に、AIアルゴリズムのもう1つの非常に望ましい特徴はスケーラビリティである。
訳抜け防止モード: 第3に、AIアルゴリズムのもう1つの非常に望ましい特徴はスケーラビリティである。 これは、大規模な実世界のシステムにおいて、適切な有効性と効率を意味する。
0.47
The concern regarding scalability arises from the aforementioned observation that the performance of existing AI algorithms in the power system domain is mostly demonstrated by small-scale grids without validation in large-scale cases. スケーラビリティに関する懸念は、パワーシステムドメインにおける既存のaiアルゴリズムのパフォーマンスが、大規模ケースで検証することなく、小規模グリッドによって実証されているという、前述の観察から生じている。 0.59
As high-dimensional measurements in power systems empirically have properties such as approximate low-rankness and sparsity, they may be potentially efficacious to discover intrinsic low-dimensional manifolds and linear coordinates in data structure [232]. 電力系統における高次元計測は、近似低ランク性やスパース性などの特性を実証的に有するので、固有低次元多様体やデータ構造 [232] の線形座標を発見できる可能性がある。 0.70
In summary, digitization of the power grid will play a major role in transforming the electricity sector into a decarbonized system while simultaneously improving grid reliability. 要約すると、電力網のデジタル化は電力セクターを脱炭システムに変換する上で大きな役割を果たし、同時に電力網の信頼性も向上する。 0.70
The synergy of high-dimensional dynamic data, increased computing power, and use-inspired AI algorithms, will enable improvements to the reliability and operational efficiency of the power grid at multiple scales. 高次元の動的データの相乗効果、計算能力の向上、利用にインスパイアされたAIアルゴリズムにより、複数のスケールでの電力グリッドの信頼性と運用効率が改善される。 0.77
Challenges remain on the integration of heterogenous data sets, cyber-physical security, and development of robust, interpretable AI algorithms. 課題は、異種データセットの統合、サイバー物理セキュリティ、堅牢で解釈可能なAIアルゴリズムの開発である。 0.67
Strong collaboration between industry and academia will be crucial for the successful adoption of use-inspired AI methods in a decarbonized power system. 産業と学界の強力なコラボレーションは、非炭化発電システムにおける利用にインスパイアされたAIメソッドの採用の成功に不可欠である。 0.63
ACKNOWLEDGEMENTS ACKNOWLEDGements 0.37
The authors sincerely thank Jimmy Liu, Steven Dennis, and Thomas Wilson for their help on the Oncor use cases presented in this paper. 著者たちは、この論文で提示されたOncorのユースケースに関して、Jimmy Liu氏、Steven Dennis氏、Thomas Wilson氏への協力に心から感謝している。 0.58
REFERENCES [1] U.S. Energy Information Administration, “U.S. electricity customers experienced eight hours of power interruptions in 2020,” 2021. 参考 ]米国エネルギー情報局は2021年、「米国の電力顧客は2020年に8時間の停電を経験した」と述べた。 0.60
[Online]. Available: https://www.eia.gov/ todayinenergy/detail .php? [オンライン]。 利用可能: https://www.eia.gov/ todayinenergy/detail .php? 0.43
id= 50316 id=50316 0.42
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 21 IEEEの成果 21 0.51
[2] L. Thomas, “US vs UK wholesale electricity market outlook,” https://www.ussolarf und.co.uk/content/ US vs UK wholesale electricity market outlook, https://www.ussolarf und.co.uk/content/ 0.40
[Online]. Available: [オンライン]。 利用可能。 0.57
2021. us-vs-uk-wholesale-e lectricity-market-ou tlook 2021. us-vs-uk-wholesale-e lectricity-market-ou tlook 0.25
[3] U.S. Energy Information Administration, “How much carbon dioxide is produced per kilowatthour of U.S. electricity generation?” 2021. 米国エネルギー情報局は2021年、「米国の発電の1キロワット当たり、二酸化炭素はどれくらい生産されているか? 0.70
[Online]. Available: https://www.eia.gov/ tools/faqs/faq.php? [オンライン]。 利用可能: https://www.eia.gov/ tools/faqs/faq.php? 0.42
id=74& t=11#:∼:text=In%202020%2C%20total %20U.S. id=74& t=11#:\:text=In%202020%2C%20total %20U.S。 0.38
%20electricity,CO2% 20emissions%20per%20 kWh. %20kWh,CO2%20emissio ns%20per%20kWh。 0.33
[4] J. Rogelj, D. Shindell, K. Jiang, S. Fifita, P. Forster, V. Ginzburg, C. Handa, H. Kheshgi, S. Kobayashi, E. Kriegler et al , “Mitigation pathways compatible with 1.5 c in the context of sustainable development,” in Global warming of 1.5 C. Intergovernmental Panel on Climate Change, 2018, pp. 93–174. 4]j. rogelj, d. shindell, k. jiang, s. fifita, p. forster, v. ginzburg, c. handa, h. kheshgi, s. kobayashi, e. kriegler et al , “持続可能な発展の文脈において1.5cと互換性のある緩和経路” 1.5 c. 気候変動に関する政府間パネル, 2018, pp. 93–174。 0.75
[5] M. L. Littman, 5] m・l・リットマン 0.63
I. Ajunwa, G. Berger, C. Boutilier, M. Currie, F. Doshi-Velez, G. Hadfield, M. C. Horowitz, C. Isbell, H. Kitano, K. Levy, T. Lyons, M. Mitchell, J. Shah, S. Sloman, S. Vallor, and T. Walsh, “Gathering strength, gathering storms: The one hundred year study on artificial intelligence (AI100) 2021 study panel report,” 2021. I. Ajunwa, G. Berger, C. Boutilier, M. Currie, F. Doshi-Velez, G. Hadfield, M. C. Horowitz, C. Isbell, H. Kitano, K. Levy, T. Lyons, M. Mitchell, J. Shah, S. Sloman, S. Vallor, T. Walsh, “Gthering strength, gathering storms: The 100 year study on Artificial Intelligence (AI100) 2021 study panel”. 2021年3月3日閲覧。
訳抜け防止モード: I. Ajunwa, G. Berger, C. Boutilier, M. Currie F. Doshi - Velez, G. Hadfield, M. C. Horowitz C. Isbell, H. Kitano, K. Levy, T. Lyons M. Mitchell, J. Shah, S. Sloman, S. Vallor, T. Walsh 「力を集め、嵐を集う」 : 人工知能(AI100)2021年の研究報告「2021年」
0.89
[Online]. Available: http://ai100.stanfor d.edu/2021-report [オンライン]。 利用可能: http://ai100.stanfor d.edu/2021-report 0.42
[6] X. Qiu, T. Sun, Y. Xu, Y. Shao, N. Dai, and X. Huang, “Pre-trained models for natural language processing: A survey,” Science China Technological Sciences, pp. 1–26, 2020. X. Qiu, T. Sun, Y. Xu, Y. Shao, N. Dai, X. Huang, “Pre-trained model for natural language processing: A survey, Science China Technological Sciences, pp. 1–26, 2020”。
訳抜け防止モード: [6]X.Qiu,T.Sun,Y.Xu, Y. Shao, N. Dai, X. Huang 「自然言語処理のための事前訓練されたモデル : 調査」 中国科学技術会, pp. 1–26, 2020
0.90
[7] A. B. Nassif, I. Shahin, I. Attili, M. Azzeh, and K. Shaalan, “Speech recognition using deep neural networks: A systematic review,” IEEE Access, vol. 7] a. b. nassif, i. shahin, i. attili, m. azzeh, k. shaalan, “深層ニューラルネットワークを用いた音声認識: 体系的レビュー”、ieee access, vol。
訳抜け防止モード: [7]A. B. Nassif, I. Shahin, I. Attili M. Azzeh, K. Shaalan, “ディープニューラルネットワークを用いた音声認識 : 系統的レビュー, IEEE Access, vol.
0.86
7, pp. 19 143–19 165, 2019. 7, pp. 19 143–19 165, 2019. 0.50
[8] Rec Faces, [8]rec Faces, 0.37
is facial 2020. Available: what-is-facial-recog nition-used-for 2020年の顔です 利用可能:What-is-face-recogn ition-useed-for 0.45
“What [Online]. 「何[オンライン]です。 0.65
recognition for? ” https://recfaces.com /articles/ 認識? https://recfaces.com /articles/ 0.39
used [9] J. Redmon and A. Farhadi, “Yolov3: An incremental improvement,” 使用 J. Redmon氏とA. Farhadi氏は次のように述べている。 0.45
arXiv preprint arXiv:1804.02767, 2018. arXiv preprint arXiv:1804.02767, 2018 0.40
[10] O. Vinyals, I. Babuschkin, W. M. Czarnecki, M. Mathieu, A. Dudzik, J. Chung, D. H. Choi, R. Powell, T. Ewalds, P. Georgiev et al , “Grandmaster level in StarCraft II using multi-agent reinforcement learning,” Nature, vol. 10] o. vinyals, i. babuschkin, w. m. czarnecki, m. mathieu, a. dudzik, j. chung, d. h. choi, r. powell, t. ewalds, p. georgiev et al , “マルチエージェント強化学習を用いたstarcraft iiのグランドマスターレベル” nature, vol.
訳抜け防止モード: [10]O. Vinyals, I. Babuschkin, W. M. Czarnecki M. Mathieu, A. Dudzik, J. Chung, D. H. Choi R. Powell, T. Ewalds, P. Georgiev et al, “マルチエージェント強化学習を用いたStarCraft IIのグランドマスターレベル”。 自然。
0.89
575, no. 7782, pp. 350–354, 2019. 575, No. 7782, pp. 350-354, 2019。 0.95
[11] D. Silver, J. Schrittwieser, K. Simonyan, I. Antonoglou, A. Huang, A. Guez, T. Hubert, L. Baker, M. Lai, A. Bolton et al , “Mastering the game of go without human knowledge,” Nature, vol. D. Silver, J. Schrittwieser, K. Simonyan, I. Antonoglou, A. Huang, A. Guez, T. Hubert, L. Baker, M. Lai, A. Bolton et al , “Mastering the go of go without human knowledge”, Nature, vol.
訳抜け防止モード: [11 ] D. Silver, J. Schrittwieser, K. Simonyan, I.Antonoglou, A. Huang, A. Guez, T. Hubert L. Baker、M. Lai、A. Boltonら。 人間の知識を使わずに囲碁をマスターする」。 自然 , vol。
0.87
550, no. 7676, pp. 354–359, 2017. 550, no. 7676, pp. 354-359, 2017 頁。 0.82
[12] D. Silver, T. Hubert, J. Schrittwieser, I. Antonoglou, M. Lai, A. Guez, M. Lanctot, L. Sifre, D. Kumaran, T. Graepel et al , “A general reinforcement learning algorithm that masters chess, shogi, and go through self-play,” Science, vol. 12]d. silver, t. hubert, j. schrittwieser, i. antonoglou, m. lai, a. guez, m. lanctot, l. sifre, d. kumaran, t. graepel et al, “チェス、将技、そして自己プレイを習得する一般的な強化学習アルゴリズム”だ。
訳抜け防止モード: 12] D. Silver, T. Hubert, J. Schrittwieser, I.Antonoglou, M. Lai, A. Guez, M. Lanctot L. Sifre, D. Kumaran, T. Graepelらは、“チェスをマスターする一般的な強化学習アルゴリズム”だ。 Shogi, and go through self - play, ”Science, vol.
0.87
362, no. 6419, pp. 1140–1144, 2018. 362, no. 6419, pp. 1140–1144, 2018。 0.93
[13] Q. Zhang, J. Lu, and Y. Jin, “Artificial intelligence in recommender systems,” Complex & Intelligent Systems, vol. 13] q. zhang、j. lu、y. jin、”complex & intelligent systems, vol.”(レコメンダシステムにおける人工知能)。 0.73
7, no. 1, pp. 439–457, 2021. 7, No. 1, pp. 439-457, 2021。 0.95
[14] Boston Dynamics, “Spot,” 2021. 14] boston dynamics, “spot” 2021年だ。 0.68
[Online]. Available: https://www. [オンライン]。 出典: https://www.twitter. com。 0.49
bostondynamics.com/p roducts/spot bostondynamics.com/p roducts/spot 0.15
[15] Boston Dynamics , “Atlas,” 2021. [15] boston dynamics, “atlas” 2021年。 0.35
[Online]. Available: https://www. [オンライン]。 出典: https://www.twitter. com。 0.49
bostondynamics.com/a tlas bostondynamics.com/a tlas 0.20
[16] Agility Robotics, “Cassie,” 2021. [16] agility robotics, “cassie” 2021年です。 0.76
[Online]. Available: https://www. [オンライン]。 出典: https://www.twitter. com。 0.49
agilityrobotics.com/ robots#digit agilityrobotics.com/ robots#digit 0.29
[17] Tesla, “AutoPilot,” 2021. tesla, “autopilot” 2021年だ。 0.53
[Online]. Available: https://www.tesla.co m/ [オンライン]。 利用可能: https://www.tesla.co m/ 0.55
autopilot [18] P. Rajpurkar, J. Irvin, K. Zhu, B. Yang, H. Mehta, T. Duan, D. Ding, A. Bagul, C. Langlotz, K. Shpanskaya et al , “Chexnet: Radiologistlevel pneumonia detection on chest x-rays with deep learning,” arXiv preprint arXiv:1711.05225, 2017. オートパイロット P. Rajpurkar, J. Irvin, K. Zhu, B. Yang, H. Mehta, T. Duan, D. Ding, A. Bagul, C. Langlotz, K. Shpanskaya et al , “Chexnet: Radiologistlevel pneumonia detection on chest x-ray with Deep Learning”. arXiv preprint arXiv:1711.05225, 2017. 0.53
[19] D. Paul, G. Sanap, S. Shenoy, D. Kalyane, K. Kalia, and R. K. Tekade, “Artificial intelligence in drug discovery and development,” Drug Discovery Today, vol. D. Paul, G. Sanap, S. Shenoy, D. Kalyane, K. Kalia, R. K. Tekade, “Artificial Intelligence in Drug Discovery and Development”, Drug Discovery Today, Vol.
訳抜け防止モード: 19 ] d. paul, g. sanap, s. shenoy. d. kalyane, k. kalia, r. k. tekade, “artificial intelligence in drug discovery and development, ”(麻薬の発見と開発における人工知能)は、今日(米国時間4/15)、vol.1で発表された。
0.51
26, no. 1, p. 80, 2021. 26 no. 1 p. 80, 2021。 0.73
[20] F. Wu, C. Lu, M. Zhu, H. Chen, J. Zhu, K. Yu, L. Li, M. Li, Q. Chen, X. Li et al , “Towards a new generation of artificial intelligence in china,” Nature Machine Intelligence, vol. [20] f. wu, c. lu, m. zhu, h. chen, j. zhu, k. yu, l. li, m. li, q. chen, x. li et al, “towards a new generation of artificial intelligence in china”, nature machine intelligence, vol.)。
訳抜け防止モード: [20 ]F.Wu,C.Lu,M.Zhu, H. Chen, J. Zhu, K. Yu, L. Li M. Li, Q. Chen, X. Liらは、“中国の新しい世代の人工知能を目指す”と述べている。 ナチュラル・マシン・インテリジェンス(Nature Machine Intelligence)。
0.79
2, no. 6, pp. 312–316, 2020. 2,6,p.312-316,2020。 0.61
[21] Interpretable AI by Dimitris Bertsimas, MIT plus Opening of OR62 Conference. [21] MITのDimitris Bertsimas氏の解釈可能なAIとOR62カンファレンスのオープニング。 0.70
[Online]. Available: https://www.youtube. com/watch? [オンライン]。 出典: https://www.youtube. com/watch? 0.57
v= gAZ4YRngEj0 v = gAZ4YRngEj0 0.25
[22] D. Amodei, D. Hernandez, G. Sastry, J. Clark, G. Brockman, [Online]. D. Amodei, D. Hernandez, G. Sastry, J. Clark, G. Brockman, [Online] 0.41
Available: and I. Sutskever, “AI and compute,” 2018. 利用可能。 そしてI. Sutskever, “AI and Compute” 2018。 0.61
https://openai.com/b log/ai-and-compute/ https://openai.com/b log/ai-and-compute/ 0.14
[23] L. Duchesne, E. Karangelos, and L. Wehenkel, “Recent developments in machine learning for energy systems reliability management,” Proceedings of the IEEE, vol. L. Duchesne, E. Karangelos, L. Wehenkel, “最近のエネルギーシステムの信頼性管理のための機械学習の開発”, Proceedings of the IEEE, vol。 0.82
108, no. 9, pp. 1656–1676, 2020. 108, No. 9, pp. 1656–1676, 2020。 0.47
[24] A. Oussous, F. [24] A. Oussous, F. 0.47
-Z. Benjelloun, A. A. Lahcen, and S. Belfkih, “Big data technologies: A survey,” Journal of King Saud University-Computer and Information Sciences, vol. -Z。 Benjelloun, A. A. Lahcen, and S. Belfkih, “Big Data Technology: A survey”, Journal of King Saud University-Computer and Information Sciences, vol. ]。
訳抜け防止モード: -Z。 Benjelloun, A. A. Lahcen, S. Belfkih, “ビッグデータ技術 : 調査” The Journal of King Saud University - Computer and Information Sciences, vol. (英語)
0.67
30, no. 4, pp. 431–448, 2018. 30 no. 4, pp. 431-448, 2018。 0.81
[25] A. Z. Faroukhi, I. El Alaoui, Y. Gahi, and A. Amine, “Big data monetization throughout big data value chain: A comprehensive review,” Journal of Big Data, vol. [25] a. z. faroukhi, i. el alaoui, y. gahi, and a. amine, “ビッグデータバリューチェーン全体にわたるビッグデータの収益化: 包括的なレビュー” journal of big data, vol. 0.84
7, no. 1, pp. 1–22, 2020. 7月1日、p.1-22、2020。 0.57
[26] A. Agrahari and D. Rao, “A review paper on big data: technologies, tools and trends,” International Research Journal of Engineering and Technology, vol. [26] a. agrahari, d. rao, “a review paper on big data: technologies, tools and trends”, international research journal of engineering and technology, vol. ] (英語)
訳抜け防止モード: 26 ] agrahari 氏と d. rao 氏,“ビッグデータに関するレビュー論文:テクノロジ,ツール,トレンド” international research journal of engineering and technology, vol. (英語)
0.74
4, no. 10, p. 10, 2017. 第4巻、2017年10月10日。 0.45
[27] C. E. Leiserson, N. C. Thompson, J. S. Emer, B. C. Kuszmaul, B. W. Lampson, D. Sanchez, and T. B. Schardl, “There’s plenty of room at the top: What will drive computer performance after Moore’s law?” C.E. Leiserson氏、N.C. Thompson氏、J.S. Emer氏、B.C. Kuszmaul氏、B.W. Lampson氏、D. Sanchez氏、T.B. Schardl氏は次のように述べている。
訳抜け防止モード: C. E. Leiserson, N. C. Thompson, J. S. Emer, B. C. Kuszmaul, B. W. Lampson, D. Sanchez そして、T.B. Schardl。 上部にはたくさんの部屋がある ムーアの法則の後にコンピュータのパフォーマンスを向上させるものは何か?
0.84
Science, vol. 368, no. 6495, 2020. 科学』。 368, no. 6495, 2020 0.43
[28] Z. Yang, Z. Dai, Y. Yang, J. Carbonell, R. R. Salakhutdinov, and Q. V. Le, “Xlnet: Generalized autoregressive pretraining for language understanding,” Advances in Neural Information Processing systems, vol. [28] z. yang, z. dai, y. yang, j. carbonell, r. r. salakhutdinov, q. v. le, “xlnet: generalized autoregressive pretraining for language understanding” ニューラル情報処理システムにおける進歩。 0.78
32, 2019. [29] J. Devlin, M. 32, 2019. 29] j. devlin, m。 0.55
-W. Chang, K. Lee, and K. Toutanova, “Bert: Pre-training of deep bidirectional transformers for language understanding,” arXiv preprint arXiv:1810.04805, 2018. -W。 Chang, K. Lee, K. Toutanova, “Bert: 言語理解のためのディープ双方向トランスフォーマーの事前トレーニング” arXiv preprint arXiv:1810.04805, 2018”。 0.83
[30] C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi, “Inception-v4, inception-resnet and the impact of residual connections on learning,” in Thirty-first AAAI Conference on Artificial Intelligence, 2017. C. Szegedy, S. Ioffe, V. Vanhoucke, A. A. Alemi, “Inception-v4, inception-resnet and the impact of residual connection on learning” in Thirth first AAAI Conference on Artificial Intelligence, 2017.
訳抜け防止モード: 30 ] c. szegedy, s. ioffe, v. vanhoucke, a. a. alemi, “inception - v4, inception - resnet and the influence of residual connections on learning”(英語) 人工知能に関する第31回aaaiカンファレンスで、2017年。
0.69
[31] A. Radford, K. Narasimhan, T. Salimans, and I. Sutskever, “Improving A. Radford, K. Narasimhan, T. Salimans, I. Sutskever, “Improving” 0.40
language understanding by generative pre-training,” 2018. 生成前訓練による言語理解”2018年。 0.76
[32] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Imagenet classification with deep convolutional neural networks,” Advances in Neural Information Processing Systems, vol. 32] a. krizhevsky, i. sutskever, g. hinton, “imagenet classification with deep convolutional neural networks”(深層畳み込みニューラルネットワークによるイメージネット分類)は、ニューラル情報処理システムにおける進歩である。
訳抜け防止モード: [32 ] A. Krizhevsky, I. Sutskever, G. E. Hinton 深層畳み込みニューラルネットワークを用いた画像ネット分類」ニューラル情報処理システムにおける進歩
0.80
25, pp. 1097–1105, 2012. 25, pp. 1097–1105, 2012。 0.90
[33] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv preprint arXiv:1409.1556, 2014. K. Simonyan, A. Zisserman, “Very deep convolutional network for large-scale image recognition” arXiv preprint arXiv:1409.1556, 2014
訳抜け防止モード: [33 ] K. Simonyan, A. Zisserman, “大規模画像認識のための非常に深い畳み込みネットワーク”。 arXiv preprint arXiv:1409.1556 , 2014
0.82
[34] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770–778. [34] k. he, x. zhang, s. ren, and j. sun, "deep residual learning for image recognition" in the proceedings of the ieee conference on computer vision and pattern recognition, 2016 pp. 770–778. コンピュータビジョンとパターン認識に関する国際会議)。 0.75
[35] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, Ł. A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, 0.43
Kaiser, and I. Polosukhin, “Attention is all you need,” in Advances in neural information processing systems, 2017, pp. 5998– 6008. Kaiser, I. Polosukhin, “Attention is all you need” in Advances in Neural Information Processing system, 2017, pp. 5998–6008。
訳抜け防止モード: Kaiser, I. Polosukhin, “注意は必要なだけである”。 In Advances in Neural Information Processing System, 2017, pp. 5998 – 6008 。
0.81
[36] J. D. McDonald, The Digitized Grid. [36]j・d・マクドナルド デジタルグリッドです 0.64
[37] F. F. Wu, K. Moslehi, and A. Bose, “Power system control centers: Past, present, and future,” Proceedings of the IEEE, vol. F.F.Wu, K. Moslehi, and A. Bose, “Power system control center: past, present, and future”, Proceedings of the IEEE, vol。
訳抜け防止モード: [37 ]F.F.Wu,K.Moslehi,A.B ose 「電力系統制御センター : 過去・現在・未来」 IEEE , vol の成果。
0.61
93, no. 11, pp. 1890–1908, 2005. 93, No. 11, pp. 1890–1908, 2005。 0.47
IEEE, 2019. 2019年、IEEE。 0.67
[38] D. Apostolopoulou, P. W. Sauer, and A. D. Dom´ınguez-Garc´ıa, “Automatic generation control and its implementation in real time,” in 2014 47th Hawaii International Conference on System Sciences. 第47回ハワイ国際システム科学会議において,[38] d. apostolopoulou, p. w. sauer, a. d. dom ́ınguez-garc ́ıa, "automatic generation control and its implementation in real time" が開催された。 0.71
IEEE, 2014, pp. 2444–2452. IEEE, 2014, pp. 2444–2452。 0.90
[39] W. R. Cassel, “Distribution management systems: Functions and payback,” IEEE Transactions on Power Systems, vol. [39] W. R. Cassel, “Distribution management system: Functions and payback”, IEEE Transactions on Power Systems, vol.
訳抜け防止モード: [39 ]W.R.キャッセル「流通管理システム : 機能と報酬」 IEEE Transactions on Power Systems, vol。
0.74
8, no. 3, pp. 796–801, 1993. 8, No. 3, pp. 796–801, 1993。 0.47
[40] K. Morison, L. Wang, and P. Kundur, “Power system security assessment,” IEEE Power and Energy Magazine, vol. K. Morison, L. Wang, P. Kundur, “Power System Security Assessment”, IEEE Power and Energy Magazine, vol.[40] K. Morison, L. Wang, P. Kundur。
訳抜け防止モード: 40 ] k. morison, l. wang, p. kundur. 電力システムセキュリティアセスメント』ieee power and energy magazine, vol。
0.64
2, no. 5, pp. 30–39, 2004. 2, No. 5, pp. 30-39, 2004。 0.45
[41] R. N. Allan et al , Reliability evaluation of power systems. 電力システムの信頼性評価 [41] r. n. allanら 0.61
Springer Science & Business Media, 2013. ばね 2013年、Science & Business Mediaより。 0.64
[42] S. Stoft, Power system economics: designing markets for electricity. 42] s. stoft, power system economics: 電力市場をデザインする。 0.75
IEEE press Piscataway, 2002, vol. ieee press piscataway、2002年。 0.49
468. [43] R. Haider, S. Baros, Y. Wasa, J. Romvary, K. Uchida, and A. M. Annaswamy, “Toward a retail market for distribution grids,” IEEE Transactions on Smart Grid, vol. 468. [43] R. Haider, S. Baros, Y. Wasa, J. Romvary, K. Uchida, A. M. Annaswamy, “Toward a retail market for distribution grids, IEEE Transactions on Smart Grid, vol.”。
訳抜け防止モード: 468. [43 ]R.Haider,S.Baros,Y.W asa, J. Romvary、K. Uchida、A. M. Annaswamyは「流通グリッドの小売市場を目指す」と述べた。 IEEE Transactions on Smart Grid, vol。
0.61
11, no. 6, pp. 4891–4905, 2020. 11、no. 6, pp. 4891-4905、2020。 0.75
[44] P. L. Joskow, “Challenges for wholesale electricity markets with intermittent renewable generation at scale: The US experience,” Oxford Review of Economic Policy, vol. P. L. Joskow, “Challenges for wholesale electric market with intermittent renewable generation at scale: The US experience”. Oxford Review of Economic Policy, Vol.
訳抜け防止モード: 44 ] p. l. joskow著, 『断続的な再生可能エネルギーを大規模に生産する電力市場の挑戦 : 米国の経験』 oxford review of economic policy, vol. を参照。
0.65
35, no. 2, pp. 291–331, 2019. 35, no. 2, pp. 291–331, 2019。 0.48
[45] R. Federal Energy Regulatory Commission, North American Electric Reliability Corporation, “The February 2021 cold weather outages in Texas and the south central United States,” Federal Energy Regulatory Commission, Tech. 連邦エネルギー規制委員会(federal energy regulatory commission, tech)は、連邦エネルギー規制委員会(federal energy regulatory commission)と、北米電力信頼性公社(north american electric reliability corporation, north american electric reliability corporation)が、2021年2月にテキサス州と米国南部で起きた寒冷な気象機能停止(the february 2021 cold weather outupss in texas and the south central states)を発表した。
訳抜け防止モード: 北米電力信頼性公社連邦エネルギー規制委員会[45 ] 「2021年2月、テキサスとアメリカ合衆国南部で寒天が停電した。」 連邦エネルギー規制委員会(federal energy regulatory commission, tech)。
0.73
Rep. , 2021. 代表。 , 2021. 0.40
[46] E. A. Feinberg and D. Genethliou, “Load forecasting,” in Applied Mathematics for Restructured Electric Power Systems. [46] e. a. feinberg, d. genethliou, “load forecasting” in applied mathematics for restructured electric systems. (英語)
訳抜け防止モード: 46 ] e. a. feinberg, d. genethliou, "負荷予測" 再編成された電力システムに対する応用数学
0.79
Springer, 2005, pp. 269–285. スプリンガー、2005年、p.269-285。 0.59
[47] N. R. Council et al , Frontiers in massive data analysis. 47] N. R. Council et al , Frontiers in massive data analysis。 0.41
National Academies Press, 2013. 全国 Academies Press、2013年。 0.73
[48] M. Hilbert, “Big data for development: A review of promises and challenges,” Development Policy Review, vol. [48] m. hilbert, “big data for development: a review of promise and challenges” development policy review, vol. ヒルベルト氏。
訳抜け防止モード: [48 ]M.Hilbert, “Big Data for Development : A review ofPromise and Challenge”. 開発政策の見直し。
0.65
34, no. 1, pp. 135–174, 2016. 34, no. 1, pp. 135–174, 2016 頁。 0.85
[49] D. V. Dimitrov, “Medical internet of things and big data in healthcare,” Healthcare Informatics Research, vol. D.V. Dimitrov, “Healthcare Informatics Research, vol.”[49]D.V. Dimitrov。
訳抜け防止モード: 49 ]D.V. Dimitrov, “医療における物の医療インターネットとビッグデータ” 医療情報学研究部。
0.77
22, no. 3, pp. 156–163, 2016. 22 no. 3, pp. 156–163, 2016年。 0.89
[50] I. Pencheva, M. Esteve, and S. J. Mikhaylov, “Big data and ai–a transformational shift for government: So, what next for research?” 50] i. pencheva氏、m. esteve氏、s. j. mikhaylov氏、"ビッグデータとai — 政府のトランスフォーメーションシフト — では、次に研究することは何か?
訳抜け防止モード: [50 ]I. Pencheva, M. Esteve, S. J. Mikhaylov ビッグデータとAI – 政府の変革 では、次の研究はどうなるのか?
0.79
Public Policy and Administration, vol. 公共政策・行政学専攻。 0.54
35, no. 1, pp. 24–44, 2020. 35, No. 1, pp. 24–44, 2020。 0.48
[51] L. Einav and J. Levin, “Economics in the age of big data,” Science, [51]l. einav氏とj. levin氏が語る“ビッグデータ時代の経済”。 0.53
vol. 346, no. 6210, 2014. vol.1。 346, no. 6210, 2014 0.42
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 22 IEEEの成果 22 0.51
[52] C. Chen, J. Ma, Y. Susilo, Y. Liu, and M. Wang, “The promises of big data and small data for travel behavior (aka human mobility) analysis,” Transportation research part C: emerging technologies, vol. 52]C. Chen, J. Ma, Y. Susilo, Y. Liu, M. Wang, “ビッグデータと人間の移動性分析のための小さなデータの約束”,Transport Research Part C: emerging technology, vol. 0.77
68, pp. 285–299, 2016. 68, pp. 285-299, 2016。 0.81
[53] K. Zhou, C. Fu, and S. Yang, “Big data driven smart energy management: From big data to big insights,” Renewable and Sustainable Energy Reviews, vol. [53] k. zhou, c. fu, and s. yang, “ビッグデータ駆動のスマートエネルギー管理: ビッグデータからビッグデータまで”、再生可能で持続可能なエネルギーレビュー、vol. 0.79
56, pp. 215–225, 2016. 56, pp. 215-225, 2016年。 0.78
[54] E. Baccarelli, N. Cordeschi, A. Mei, M. Panella, M. Shojafar, and J. Stefa, “Energy-efficient dynamic traffic offloading and reconfiguration of networked data centers for big data stream mobile computing: Review, challenges, and a case study,” IEEE Network, vol. IEEE Network, vol.[54] E. Baccarelli, N. Cordeschi, A. Mei, M. Panella, M. Shojafar, J. Stefa, “ビッグデータモバイルコンピューティングのためのネットワーク化されたデータセンターの、エネルギー効率の良い動的トラフィックオフロードと再構成: レビュー、課題、ケーススタディ”。 0.84
30, no. 2, pp. 54–61, 2016. 30 no. 2, pp. 54-61, 2016 頁。 0.41
[55] W. contributors, “List of datasets for machine-learning research,” 2021. 2021年、[55]W.コントリビュータは“機械学習研究のためのデータセットのリスト”を作成した。 0.58
[Online]. Available: https://en.wikipedia .org/wiki/List of datasets for machine-learning research [オンライン]。 機械学習研究のためのデータセットの一覧: https://en.wikipedia .org/wiki/ 0.53
[56] B. P. Bhattarai, “Big data analytics in smart grids: State-of-the-art, challenges, opportunities, and future directions,” IET Smart Grid, vol. iet smart grid, vol. “56] b. p. bhattaraiは、“スマートグリッドにおけるビッグデータ分析:最先端、課題、機会、将来の方向性”だ。 0.72
2, pp. 141–154(13), June 2019. pp. 141-154(13) 2019年6月。 0.63
[Online]. Available: https: //digital-library.th eiet.org/content/jou rnals/10.1049/iet-st g.2018.0261 [オンライン]。 https: //digital-library.th eiet.org/content/jou rnals/10.1049/iet-st g.2018.0261 0.39
[57] M. Kezunovic, L. Xie, and S. Grijalva, “The role of big data in improving power system operation and protection,” in 2013 IREP Symposium Bulk Power System Dynamics and Control-IX Optimization, Security and Control of the Emerging Power Grid. 57] M. Kezunovic, L. Xie, S. Grijalva, “The role of big data in improve power system operation and protection” in 2013 IREP Symposium Bulk Power System Dynamics and Control-IX Optimization, Security and Control of the Emerging Power Grid。
訳抜け防止モード: [57 ]M. Kezunovic, L. Xie, S. Grijalva, 「電力系統の運用・保護改善におけるビッグデータの役割」 2013 IREP Symposium Bulk Power System Dynamics and Control - IX Optimization に参加して 新興電力グリッドのセキュリティと制御
0.85
IEEE, 2013, pp. 1–9. 2013年、p.1-9。 0.48
[58] C. Huang, F. Li, D. Zhou, J. Guo, Z. Pan, Y. Liu, and Y. Liu, “Data quality issues for synchrophasor applications part i: a review,” Journal of Modern Power Systems and Clean Energy, vol. C. Huang, F. Li, D. Zhou, J. Guo, Z. Pan, Y. Liu, Y. Liu, “Data quality issues for synchrophasor applications part i: a review”, Journal of Modern Power Systems and Clean Energy, vol.
訳抜け防止モード: [58 ]C. Huang, F. Li, D. Zhou, J.Guo, Z. Pan, Y. Liu, Y. Liu 「シンクロファサー応用におけるデータ品質の問題 その1 : レビュー」 Journal of Modern Power Systems and Clean Energy, Vol.
0.89
4, no. 3, pp. 342– 352, 2016. 第4巻、第3巻、p.342-352、2016年。 0.48
[59] U.S.-Canada Power System Outage Task Force, “Final report on the [59]米国・カナダ電力系統停止タスクフォース「現地報告」 0.64
august 14, 2003 blackout in the united states and canada,” 2004. 2004年8月14日、アメリカ合衆国とカナダで停電。 0.57
[60] M. Hojabri, U. Dersch, A. Papaemmanouil, and P. Bosshart, “A comprehensive survey on phasor measurement unit applications in distribution systems,” Energies, vol. 60] m. hojabri, u. dersch, a. papaemmanouil, p. bosshart, “a comprehensive survey on phasor measurement unit applications in distribution systems” と energies, vol. は述べている。 0.85
12, no. 23, p. 4552, 2019. 12、23、p.4552、2019。 0.64
[61] M. U. Usman and M. O. Faruque, “Applications of synchrophasor technologies in power systems,” Journal of Modern Power Systems and Clean Energy, vol. Journal of Modern Power Systems and Clean Energy, vol.[61] M. U. U. と M. O. Faruque, “電力システムにおけるシンクロファサー技術の応用”。 0.86
7, no. 2, pp. 211–226, 2019. 7月2日、p.211-226、2019。 0.58
[62] NASPI, “MASPI PMU map with and without data connections,” [62]NASPI, “MASPI PMU map with and without data connection” 0.36
2017. [Online]. 2017. [オンライン]。 0.54
Available: https://www.naspi.or g/node/749 https://www.naspi.or g/node/749 0.20
[63] Y. Guo, Z. Yang, S. Feng, J. Hu et al , “Complex power system status monitoring and evaluation using big data platform and machine learning algorithms: A review and a case study,” Complexity, vol. 関連スポンサーコンテンツ [63] y. guo, z. yang, s. feng, j. hu et al, “ビッグデータプラットフォームと機械学習アルゴリズムを使用した電力システム状態の監視と評価: a review and a case study”, complexity, vol. 6)。 0.83
2018, pp. 1–21, 2018. 2018年、p.1-21。 0.67
[64] L. Wang, J. Burgett, J. Zuo, C. C. Xu, B. J. Billian, R. W. Conners, and Y. Liu, “Frequency disturbance recorder design and developments,” in 2007 IEEE Power Engineering Society General Meeting. [64] L. Wang, J. Burgett, J. Zuo, C. C. Xu, B. J. Billian, R. W. Conners, Y. Liu, 2007 IEEE Power Engineering Society General Meeting in 2007
訳抜け防止モード: [64 ]L. Wang, J. Burgett, J. Zuo, C. C. Xu, B. J. Billian, R. W. Conners Y. Liu, “周波数障害レコーダーの設計と開発” 2007年IEEEパワーエンジニアリング学会総会。
0.88
IEEE, 2007, pp. 1–7. 2007年、p.1-7。 0.53
[65] Power Information Technology Laboratory, University of Tennessee, [65]テネシー大学 電力情報工学研究室 0.56
“FNET/GridEye web display,” http://fnetpublic.ut k.edu/index.html FNET/GridEye web display", http://fnetpublic.ut k.edu/index.html 0.28
2021. [Online]. 2021. [オンライン]。 0.54
Available: [66] “Electric grid test case repository,” 2021. 利用可能。 [66] “electric grid test case repository” 2021年。 0.43
[Online]. Available: [オンライン]。 利用可能。 0.57
https://electricgrid s.engr.tamu.edu/elec tric-grid-test-cases / https://electricgrid s.engr.tamu.edu/elec tric-grid-test-cases / 0.11
[67] A. B. Birchfield, T. Xu, K. M. Gegner, K. S. Shetye, and T. J. Overbye, “Grid structural characteristics as validation criteria for synthetic networks,” IEEE Transactions on power systems, vol. A. B. Birchfield, T. Xu, K. M. Gegner, K. S. Shetye, T. J. Overbye, “Grid Structure Characteristics as validation criteria for synthesis network”, IEEE Transactions on power systems, Vol.
訳抜け防止モード: [67 ]A. B. Birchfield, T. Xu, K. M. Gegner, K. S. Shetye, T.J. Overbye氏は,“合成ネットワークの検証基準としてのグリッド構造特性”について述べている。 IEEE Transactions on Power System, vol。
0.69
32, no. 4, pp. 3258–3265, 2016. 32, no. 4, pp. 3258-3265, 2016 頁。 0.83
[68] Y. Xu, N. Myhrvold, D. Sivam, K. Mueller, D. J. Olsen, B. Xia, D. Livengood, V. Hunt, B. R. d’Orfeuil, D. Muldrew et al , “US test system with high spatial and temporal resolution for renewable integration studies,” in 2020 IEEE Power & Energy Society General Meeting (PESGM). 68] Y. Xu, N. Myhrvold, D. Sivam, K. Mueller, D. J. Olsen, B. Xia, D. Livengood, V. Hunt, B. R. d’Orfeuil, D. Muldrew et al , “2020 IEEE Power & Energy Society General Meeting (PESGM)” では、再生可能統合研究のための空間的および時間的解像度の高い米国テストシステムについて論じている。 0.79
IEEE, 2020, pp. 1–5. 橋本、2020年、p.1-5。 0.37
[69] Breakthrough Energy Sciences, “A 2030 United States macro grid: Unlocking geographical diversity to accomplish clean energy goals,” Breakthrough Energy Sciences, Tech. 画期的なエネルギー科学,“2030年の米国マクログリッド:クリーンエネルギー目標を達成するための地理的多様性の解錠”.
訳抜け防止モード: [69 ]エネルギー科学のブレークスルー,「2030年アメリカマクログリッド」 地理的多様性を解き放ち、クリーンエネルギーの目標を達成する。 ブレイクスルーエネルギー科学、技術。
0.71
Rep. , 2021. 代表。 , 2021. 0.40
[70] D. Wu, X. Zheng, Y. Xu, D. Olsen, B. Xia, C. Singh, and L. Xie, “An open-source extendable model and corrective measure assessment of the 2021 texas power outage,” Advances in Applied Energy, vol. [70]D.Wu,X.Zheng,Y.Xu,D. Olsen,B.Xia,C.Singh, L.Xie,“2021年のテキサス電力停止に関するオープンソースの拡張可能モデルと補正的評価”,Advanced Energy, Vol. 0.75
4, p. 100056, 2021. 4, p. 100056, 2021。 0.92
[71] U. Adhikari, T. H. Morris, N. Dahal, S. Pan, R. L. King, N. H. Younan, and V. Madani, “Development of power system test bed for data mining of synchrophasors data, cyber-attack and relay testing in RTDS,” in 2012 IEEE Power and Energy Society General Meeting. 2012年のIEEE Power and Energy Society General Meetingで、[71]Adhikari, T. H. Morris, N. Dahal, S. Pan, R. L. King, N. H. Younan, V. Madani, “シンクロファサーデータマイニングのための電力システムテストベッドの開発、RTDSにおけるサイバー攻撃とリレーテスト”と題された。 0.80
IEEE, 2012, pp. 1–7. 2012年、p.1-7。 0.47
[72] J. Montoya, R. Brandl, K. Vishwanath, J. Johnson, R. Darbali-Zamora, A. Summers, J. Hashimoto, H. Kikusato, T. S. Ustun, N. Ninad et al , “Advanced laboratory testing methods using real-time simulation and hardware-in-the-loop techniques: A survey of smart grid international 72] j. montoya, r. brandl, k. vishwanath, j. johnson, r. darbali-zamora, a. summers, j. hashimoto, h. kikusato, t. s. ustun, n. ninad et al, “リアルタイムシミュレーションとハードウェア・イン・ザ・ループ技術を用いた先進的な実験室試験法: smart grid internationalの調査によると。
訳抜け防止モード: [72 ]J. Montoya, R. Brandl, K. Vishwanath, J. Johnson, R. Darbali - Zamora, A. Summers, J. Hashimoto H. Kikusato, T. S. Ustun, N. Ninad et al 実時間シミュレーションとハードウェアを用いた先進的な実験室試験手法-ループ技術 : スマートグリッド国際調査
0.82
[73] S. B. D. [73]s.b.d. 0.43
research facility network activities,” Energies, vol. 研究施設ネットワーク活動(research facility network activities)”. energies. vol. 0.67
13, no. 12, p. 3267, 2020. 13 no. 12 p. 3267, 2020。 0.73
and spokes workshop,” 2017. and spokes workshop 2017”. 2017年3月1日閲覧。 0.45
[Online]. Available: https://www.nsf.gov/ cise/bdspokes/index. jsp [オンライン]。 利用可能: https://www.nsf.gov/ cise/bdspokes/index. jsp 0.42
innovation hubs “Big data イノベーションハブ ビッグデータ 0.53
I. Hub, regional [74] N. S. Foundation, “The South Big Data Innovation Hub,” 2018. I. Hub 地域 74] n.s. foundation, “the south big data innovation hub” 2018年。 0.46
[Online]. Available: https://southbigdata hub.org/ [オンライン]。 https://southbigdata hub.org/ 0.50
[75] T. Joswig-Jones, A. S. Zamzam, and K. Baker, “OPF-Learn: An opensource framework for creating representative AC optimal power flow datasets,” arXiv preprint arXiv:2111.01228, 2021. [75] T. Joswig-Jones, A. S. Zamzam, K. Baker, “OPF-Learn: 代表的AC最適電力フローデータセットを作成するためのオープンソースフレームワーク” arXiv preprint arXiv:2111.01228, 2021。 0.78
[76] M. Sheinin, Y. Y. Schechner, and K. N. Kutulakos, “Computational imaging on the electric grid,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 6437–6446. [76] m. sheinin, y. y. schechner, k. n. kutulakos, “computational imaging on the electric grid” in proceedings of the ieee conference on computer vision and pattern recognition, 2017 pp. 6437–6446。
訳抜け防止モード: [76 ]M. Sheinin,Y.Y. Schechner,K.N. Kutulakos IEEEコンピュータビジョン会議における「電力網の計算画像」 and Pattern Recognition , 2017 , pp . 6437–6446 。
0.76
[77] G. Ruan, D. Wu, X. Zheng, H. Zhong, C. Kang, M. A. Dahleh, S. Sivaranjani, and L. Xie, “A cross-domain approach to analyzing the short-run impact of covid-19 on the US electricity sector,” Joule, vol. [77]g. ruan, d. wu, x. zheng, h. zhong, c. kang, m. a. dahleh, s. sivaranjani, l. xie, “covid-19の米国電力部門への短期的影響を分析するためのクロスドメインアプローチ”である。 0.71
4, no. 11, pp. 2322–2337, 2020. 第4巻 no. 11, pp. 2322-2337, 2020。 0.64
[78] M. F. Khan, M. Azam, M. A. Khan, F. Algarni, M. Ashfaq, I. Ahmad, and I. Ullah, “A review of big data resource management: Using smart grid systems as a case study,” Wireless Communications and Mobile Computing, vol. 関連スポンサーコンテンツ [78] m. f. khan, m. azam, m. a. khan, f. algarni, m. ashfaq, i. ahmad, i. ullah, “a review of big data resource management: using smart grid systems as a case study”, wireless communications and mobile computing, vol.
訳抜け防止モード: 78 ] m. f. khan, m. azam, m. a. khan, f. algarni, m. ashfaq, i. ahmad, i. ullah, “a review of big data resource management” について スマートグリッドシステムをケーススタディとして使用すること。 無線通信とモバイルコンピューティング。
0.82
2021, 2021. 2021, 2021. 0.42
[79] N. C. Thompson, K. Greenewald, K. Lee, and G. F. Manso, “The computational limits of deep learning,” arXiv preprint arXiv:2007.05558, 2020. N.C. Thompson, K. Greenewald, K. Lee, G. F. Manso, “The compute limit of Deep Learning, arXiv preprint arXiv:2007.05558, 2020”.
訳抜け防止モード: 79] N. C. Thompson, K. Greenewald, K. Lee そしてG・F・マンソは「ディープラーニングの計算限界」と言った。 arXiv preprint arXiv:2007.05558 , 2020
0.82
[80] NVIDIA, “NVIDIA TESLA V100 GPU architecture,” NVIDIA, Tech. NVIDIA, Tech.[80] NVIDIA, “NVIDIA TESLA V100 GPUアーキテクチャ”。 0.41
Rep. , 2017. 代表。 , 2017. 0.40
com/tpu [81] Google, “Cloud TPU,” 2021. com/tpu google, “cloud tpu” 2021年だ。 0.42
[Online]. Available: https://cloud.google . [オンライン]。 利用可能: https://cloud.google .com 0.61
[82] P. A. Merolla, J. V. Arthur, R. Alvarez-Icaza, A. S. Cassidy, J. Sawada, F. Akopyan, B. L. Jackson, N. Imam, C. Guo, Y. Nakamura et al , “A million spiking-neuron integrated circuit with a scalable communication network and interface,” Science, vol. P. A. Merolla, J. V. Arthur, R. Alvarez-Icaza, A. S. Cassidy, J. Sawada, F. Akopyan, B. L. Jackson, N. Imam, C. Guo, Y. Nakamura et al , “A million spiking-neuron integrated circuit with a scalable communication network and interface”, Science, vol。
訳抜け防止モード: [82 ]P. A. Merolla, J. V. Arthur, R. Alvarez - Icaza, A.S.キャシディ、J.サワダ、F.アコピアン、B.L.ジャクソン N. Imam, C. Guo, Y. Nakamura et al, “100万のスパイク-ニューロン集積回路とスケーラブルな通信ネットワーク と“Science, vol。
0.77
345, no. 6197, pp. 668–673, 2014. 345, no. 6197, pp. 668-673, 2014 頁。 0.87
[83] GraphCore, “Intelligence processing unit,” 2021. 83] GraphCore, “Intelligence Processing Unit” 2021。 0.33
[Online]. Available: [オンライン]。 利用可能。 0.57
https://www.graphcor e.ai/products/ipu https://www.graphcor e.ai/products/ipu 0.17
[84] NVIDIA, “Jetson Nano developer kit,” 2021. NVIDIA, “Jetson Nano developer kit” 2021年。 0.63
[Online]. Available: [オンライン]。 利用可能。 0.57
https://developer.nv idia.com/embedded/je tson-nano-developer- kit https://developer.nv idia.com/embedded/je tson-nano-developer- kit 0.12
[85] M. Capra, B. Bussolino, A. Marchisio, G. Masera, M. Martina, and M. Shafique, “Hardware and software optimizations for accelerating deep neural networks: Survey of current trends, challenges, and the road ahead,” IEEE Access, vol. ieee access, vol. “85] m. capra, b. bussolino, a. marchisio, g. masera, m. martina, m. shafique, “深層ニューラルネットワークを加速するためのハードウェアとソフトウェア最適化: 現在のトレンド、課題、そして今後の道路に関する調査”、とieee accessは述べている。
訳抜け防止モード: 85) m. capra, b. bussolino, a. marchisio, g. masera, m. martina, m. shafique, "深層ニューラルネットワークの高速化のためのハードウェアとソフトウェア最適化 : 現状,課題,今後の展望" ieee access, vol. を参照。
0.75
8, pp. 225 134–225 180, 2020. 8, pp. 225 134–225 180, 2020. 0.50
[86] C. L. Lawson, R. J. Hanson, F. T. Krogh, and D. R. Kincaid, “Algorithm 539: Basic linear algebra subprograms for Fortran usage [f1],” ACM Transactions on Mathematical Software (TOMS), vol. [86] C. L. Lawson, R. J. Hanson, F. T. Krogh, D. R. Kincaid, “Algorithm 539: Basic linear algebra sub programss for Fortran usage [f1], ACM Transactions on Mathematical Software (TOMS), vol.
訳抜け防止モード: [86 ]C.L.ローソン、R.J.ハンソン、F.T.クロー、D.R.キンケイド 「アルゴリズム539 : Fortran用の基本線形代数部分プログラム [f1 ]」 ACM Transactions on Mathematical Software (TOMS) , vol。
0.80
5, no. 3, pp. 324–325, 1979. 5, No. 3, pp. 324–325, 1979。 0.47
[87] J. J. Dongarra, J. D. Cruz, S. Hammarling, and I. S. Duff, “Algorithm 679: A set of level 3 basic linear algebra subprograms: model implementation and test programs,” ACM Transactions on Mathematical Software (TOMS), vol. J. J. Dongarra, J. D. Cruz, S. Hammarling, I. S. Duff, “Algorithm 679: A set of level 3 basic linear algebra sub programss: model implementation and test program, ACM Transactions on Mathematical Software (TOMS)”。
訳抜け防止モード: 87]j・j・ドンガラ、j・d・クルーズ、s・ハンマーリング、 アルゴリズム679 : a set of level 3 basic linear algebra subprograms: model implementation and test programs”. acm transactions on mathematical software (toms ) , vol。
0.69
16, no. 1, pp. 18–28, 1990. 16巻1頁、18-28頁、1990年。 0.49
[88] G. H. Golub and C. F. Van Loan, Matrix computations. G. H. Golub と C. F. Van Loan, Matrix 計算。 0.75
JHU Press, jhu press(英語) 0.49
2012, vol. 3. [89] AMD, “AMD math library (LibM),” 2021. 2012年。 3. [89]AMD, “AMD math library (LibM), 2021。 0.44
[Online]. Available: [オンライン]。 利用可能。 0.57
https://developer.am d.com/amd-aocl/amd-m ath-library-libm/ https://developer.am d.com/amd-aocl/amd-m ath-library-libm/ 0.10
[90] Intel, [90]Intel, 0.40
“Intel oneAPI math 『intel』 oneAPI 数学 0.76
[Online]. https://www.intel.co m/content/www/us/en/ developer/tools/ [オンライン]。 https://www.intel.co m/content/www/us/en/ developer/tools/ 0.38
library,” kernel 図書館」。 カーネル 0.71
2021. Available: oneapi/onemkl.html#g s.gq697a 2021. 利用可能:oneapi/onemkl.html# gs.gq697a 0.43
[91] NVIDIA, “Basic linear algebra on NVIDIA GPUs,” 2021. [91]NVIDIA, “Basic linear algebra on NVIDIA GPUs” 2021。 0.77
[Online]. Available: https://developer.nv idia.com/cublas [オンライン]。 利用可能: https://developer.nv idia.com/cublas 0.56
[92] The Khronos Group Inc., “OpenCL overview,” https://www.khronos. 92] the khronos group inc., “opencl overview” https://www.khronos. org 0.42
org/opencl/, 2021. org/opencl/, 2021。 0.41
[93] M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, G. S. Corrado, A. Davis, J. Dean, M. Devin et al , “Tensorflow: Large-scale machine learning on heterogeneous distributed systems,” arXiv preprint arXiv:1603.04467, 2016. M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, G. S. Corrado, A. Davis, J. Dean, M. Devin et al , “Tensorflow: Large-scale machine learning on heterogeneous distributed systems” arXiv preprint arXiv:1603.04467, 2016
訳抜け防止モード: [93 ]m. abadi, a. agarwal, p. barham, e. brevdo, z. chen, c. citro, g. s. corrado, a. davis氏、j. dean氏、m. devin氏ら、“tensorflow: large-scale machine learning on hetero distributed systems” arxiv プレプリント arxiv:1603.04467, 2016 。
0.67
[94] Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, and T. Darrell, “Caffe: Convolutional architecture for fast feature embedding,” in Proceedings of the 22nd ACM international conference on Multimedia, 2014, pp. 675–678. Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, T. Darrell, “Caffe: Convolutional architecture for fast feature embedded” in Proceedings of the 22nd ACM International conference on Multimedia, 2014 pp. 675–678。
訳抜け防止モード: (94)y.jia,e.shelhame r,j.donahue, s. karayev、j. long、r. girshick、s. guadarrama、t. darrell。 第22回acmマルチメディア国際会議紀要「caffe : 高速機能埋め込みのための畳み込みアーキテクチャ」 2014 , pp . 675–678 .
0.71
[95] A. Paszke, S. Gross, S. Chintala, G. Chanan, E. Yang, Z. DeVito, Z. Lin, A. Desmaison, L. Antiga, and A. Lerer, “Automatic differentiation in PyTorch,” 2017. 95] A. Paszke, S. Gross, S. Chintala, G. Chanan, E. Yang, Z. DeVito, Z. Lin, A. Desmaison, L. Antiga, A. Lerer, "Automatic differentiation in PyTorch", 2017 0.46
[96] NVIDIA, “NVIDIA cuDNN,” 2021. nvidia, “nvidia cudnn” 2021年だ。 0.50
[Online]. Available: https: [オンライン]。 利用可能: https: 0.78
//developer.nvidia.c om/cudnn developer.nvidia.com /cudnn 0.12
[97] Y. Sherry and N. Thompson, “Point of view: How fast do algorithms improve?” 97] y. sherry, n. thompson両氏は,“視点: アルゴリズムはどの程度の速度で改善されているか? 0.70
Proceedings of the IEEE, vol. IEEEの成果、Vol。 0.60
109, no. 11, pp. 0018–9219, 2021. 109, no. 11, pp. 0018-9219, 2021。 0.90
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 23 IEEEの成果 23 0.51
[Online]. Available: https://www.ibm.com/ uk-en/industries/ene rgy [オンライン]。 利用可能: https://www.ibm.com/ uk-en/industries/ene rgy 0.49
[108] IBM , “Oncur puts data to work to prevent energy outages,” 2021. 108] ibm, “oncurはエネルギー停止を防ぐためにデータを作業に投入する”、と2021は述べている。 0.59
[Online]. Available: https://mediacenter. ibm.com/id/1 3kwmzfsi [オンライン]。 利用可能: https://mediacenter. ibm.com/id/1 3kwmzfsi 0.53
[98] D. Carney, U. C¸ etintemel, M. Cherniack, C. Convey, S. Lee, G. Seidman, N. Tatbul, S. Zdonik, and M. Stonebraker, “Monitoring streams—a new class of data management applications,” in VLDB’02: Proceedings of the 28th International Conference on Very Large Databases. C. Carney, U.C. etintemel, M. Cherniack, C. Convey, S. Lee, G. Seidman, N. Tatbul, S. Zdonik, and M. Stonebraker, “Monitoring stream — a new class of data management applications” in VLDB’02: Proceedings of the 28th International Conference on Very Large Databases”. VLDB’02. 公式ウェブサイト
訳抜け防止モード: 98 ] D. Carney, U. C . etintemel, M. Cherniack. C. Convey, S. Lee, G. Seidman, N. Tatbul S. ZdonikとM. Stonebrakerは、“モニタリングストリーム — 新たなデータ管理アプリケーションである”と述べている。 VLDB'02における第28回超大型データベース国際会議の成果
0.88
Elsevier, 2002, pp. 215–226. Elsevier, 2002, pp. 215-226。 0.87
[99] J. M. Hellerstein, M. J. Franklin, S. Chandrasekaran, A. Deshpande, K. Hildrum, S. Madden, V. Raman, and M. A. Shah, “Adaptive query processing: Technology in evolution,” IEEE Data Eng. 関連スポンサーコンテンツ [99] j. m. hellerstein, m. j. franklin, s. chandrasekaran, a. deshpande, k. hildrum, s. madden, v. raman, m. a. shah, “adaptive query processing: technology in evolution”, ieee data eng.
訳抜け防止モード: 99]j・m・ヘラースタイン、m・j・フランクリン、s・チャンドラセカラン、a・デシュパンド、 k. hildrum、s. madden、v. raman、m. a. shah。 adaptive query processing : technology in evolution, ” ieee data eng。
0.65
Bull. , vol. 23, no. 2, pp. 7–18, 2000. ブル。 ヴォル。 23, No. 2, pp. 7–18, 2000。 0.43
[100] B. Babcock, S. Babu, M. Datar, R. Motwani, and J. Widom, “Models and issues in data stream systems,” in Proceedings of the twenty-first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems, 2002, pp. 1–16. B. Babcock, S. Babu, M. Datar, R. Motwani, J. Widom, “Models and issues in data stream systems” in Proceedings of the 21 first ACM SIGMOD-SIGACT-SIGART symposium on Principles of database system, 2002, pp. 1–16。 0.47
[101] K. Shvachko, H. Kuang, S. Radia, and R. Chansler, “The Hadoop distributed file system,” in 2010 IEEE 26th Symposium on Mass Storage Systems and Technologies (MSST). 101] K. Shvachko, H. Kuang, S. Radia, R. Chansler, “The Hadoop distributed file system” – 2010 IEEE 26th Symposium on Mass Storage Systems and Technologies (MSST)。 0.43
Ieee, 2010, pp. 1–10. 2010年、p.1-10。 0.70
[102] M. Zaharia, R. S. Xin, P. Wendell, T. Das, M. Armbrust, A. Dave, X. Meng, J. Rosen, S. Venkataraman, and M. J. Franklin, “Apache Spark: A unified engine for big data processing,” Communications of the ACM, vol. 102] M. Zaharia, R. S. Xin, P. Wendell, T. Das, M. Armbrust, A. Dave, X. Meng, J. Rosen, S. Venkataraman, M. J. Franklin, “Apache Spark: ビッグデータ処理のための統一されたエンジン”, ACMのCommunications, Vol.。 0.91
59, no. 11, pp. 56–65, 2016. 59, No. 11, pp. 56-65, 2016。 0.44
[103] J. Dean and S. Ghemawat, “Mapreduce: simplified data processing on large clusters,” Communications of the ACM, vol. J. Dean 氏と S. Ghemawat 氏は,“Mapreduce: Simple Data Processing on large cluster” と ACM の Communications で述べている。 0.70
51, no. 1, pp. 107– 113, 2008. 51, no. 1, pp. 107– 113, 2008 頁。 0.86
[104] S. Ghemawat, H. Gobioff, and S. 104] S. Ghemawat, H. Gobioff, S. 0.39
-T. Leung, “The Google file system,” the Nineteenth ACM Symposium on Operating -T。 第19回ACMオペレーティングシンポジウム「Googleファイルシステム」 0.46
in Proceedings of Systems Principles, 2003, pp. 29–43. proceedings of systems principles, 2003, pp. 29-43を参照。 0.81
[105] F. Chang, J. Dean, S. Ghemawat, W. C. Hsieh, D. A. Wallach, M. Burrows, T. Chandra, A. Fikes, and R. E. Gruber, “Bigtable: A distributed storage system for structured data,” ACM Transactions on Computer Systems (TOCS), vol. F. Chang, J. Dean, S. Ghemawat, W. C. Hsieh, D. A. Wallach, M. Burrows, T. Chandra, A. Fikes, R. E. Gruber, “Bigtable: A Distributed Storage System for Structured Data”, ACM Transactions on Computer Systems (TOCS), vol.
訳抜け防止モード: [105 ]F. Chang, J. Dean, S. Ghemawat, W. C. Hsieh, D. A. Wallach, M. Burrows, T. Chandra, A. Fikes そしてR.E.Gruber氏は,“Bigtable : A Distributed Storage System for Structured Data”と題する。 ACM Transactions on Computer Systems (TOCS ) , vol。
0.88
26, no. 2, pp. 1–26, 2008. 26, No. 2, pp. 1–26, 2008。 0.47
[106] M. Zaharia, M. Chowdhury, T. Das, A. Dave, J. Ma, M. McCauly, M. J. Franklin, S. Shenker, and I. Stoica, “Resilient distributed datasets: A fault-tolerant abstraction for in-memory cluster computing,” in 9th {USENIX} Symposium on Networked Systems Design and Implementation ({NSDI} 12), 2012, pp. 15–28. M. Zaharia, M. Chowdhury, T. Das, A. Dave, J. Ma, M. McCauly, M. J. Franklin, S. Shenker, I. Stoica, “Resilient Distributed datasets: A fault-tolerant abstract for in-Memory cluster computing” in 9th {USENIX} Symposium on Networked Systems Design and Implementation ({NSDI} 12), 2012 pp. 15–28。
訳抜け防止モード: [106 ]M. Zaharia, M. Chowdhury, T. Das, A. Dave, J. Ma, M. McCauly, M. J. Franklin S. Shenker, I. Stoica, “レジリエントな分散データセット : インメモリクラスタコンピューティングのフォールトトレラントな抽象化”。 in 9th {USENIX } Symposium on Networked Systems Design and implementation ( { NSDI } 12 ) 2012 , pp . 15–28 .
0.94
[107] IBM, “Energy and utilities, sustainably fueling the future,” 2021. 2021年、ibmは「エネルギーとユーティリティー、持続的に未来に燃料を供給します」と語っています。 0.55
[109] C. Feng, Y. Wang, Q. Chen, Y. Ding, G. Strbac, and C. Kang, “Smart grid encounters edge computing: Opportunities and applications,” Advances in Applied Energy, vol. C. Feng, Y. Wang, Q. Chen, Y. Ding, G. Strbac, C. Kang, “スマートグリッドはエッジコンピューティングに遭遇する。
訳抜け防止モード: [109 ]C. Feng, Y. Wang, Q. Chen, Y.Ding, G. Strbac, C. Kang, “スマートグリッドはエッジコンピューティングに遭遇する。 応用エネルギーの進歩
0.70
1, p. 100006, 2021. 1p. 100006, 2021。 0.72
[110] B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. A. y Arcas, “Communication-efficient learning of deep networks from decentralized data,” in Artificial Intelligence and Statistics. 人工知能と統計学において,[110] b. mcmahan, e. moore, d. ramage, s. hampson, b. a. y arcas, “分散データからの深層ネットワークの通信効率の高い学習” が研究されている。
訳抜け防止モード: [110 ]B. McMahan, E. Moore, D. Ramage, S. Hampson, B. A. y Arcas, “コミュニケーション - 分散データからのディープネットワークの効率的な学習”。 人工知能と統計学。
0.83
PMLR, 2017, pp. 1273–1282. pmlr、2017年、p.1273-1282。 0.50
[111] C. -C. [111]c。 -C。 0.38
Liu and T. Dillon, “State-of-the-art of expert system applications to power systems,” International Journal of Electrical Power & Energy Systems, vol. Liu and T. Dillon, “State-of-the-art of expert system applications to power systems”. International Journal of Electric Power & Energy Systems. Vol.
訳抜け防止モード: LiuとT. Dillonは、“最先端の - エキスパートシステム応用のパワーシステムへの技術”である。 International Journal of Electric Power & Energy Systems, Vol.
0.75
14, no. 2, pp. 86–96, 1992, special Issue Expert System Applications in Power Systems. 14, No. 2, pp. 86-96, 1992, Special Issue Expert System Applications in Power Systems. 0.46
[Online]. Available: https://www.scienced irect.com/science/ar ticle/pii/0142061592 900314 [オンライン]。 https://www.scienced irect.com/science/ar ticle/pii/0142061592 900314 0.42
[112] S. Rahman, “Artificial intelligence in electric power systems: A survey of the Japanese industry,” IEEE Transactions on Power Systems, vol. [112]s. rahman, “artificial intelligence in electric power systems: a survey of the japan industry” ieee transactions on power systems, vol. 電力システムに関する国際取引
訳抜け防止モード: [112 ] s. rahman, 「電力システムにおける人工知能 : 日本産業のサーベイ」 ieee transactions on power systems, vol. の略。
0.73
8, no. 3, pp. 1211–1218, 1993. 8, No. 3, pp. 1211–1218, 1993。 0.47
[113] M. Glavic, R. Fonteneau, and D. Ernst, “Reinforcement 113]M. Glavic, R. Fonteneau, D. Ernst, “Reinforcement” 0.44
learning for electric power system decision and control: Past considerations and perspectives,” IFAC-PapersOnLine, vol. IFAC-PapersOnLine, vol.“電力システムの意思決定と制御の学習:過去の考察と視点”。 0.84
50, no. 1, pp. 6918– 6927, 2017, 20th IFAC World Congress. 50, no. 1, pp. 6918– 6927, 2017 20th ifac world congress (英語) 0.83
[Online]. Available: https://www.scienced irect.com/science/ar ticle/pii/S240589631 7317238 [114] S. Wen, C. Zhang, H. Lan, Y. Xu, Y. Tang, and Y. Huang, “A hybrid ensemble model for interval prediction of solar power output in ship onboard power systems,” IEEE Transactions on Sustainable Energy, vol. [オンライン]。 https://www.scienced irect.com/science/ar ticle/pii/S240589631 7317238[114] S. Wen, C. Zhang, H. Lan, Y. Xu, Y. Tang, Y. Huang, “船載電力システムにおける太陽発電の間隔予測のためのハイブリッドアンサンブルモデル” IEEE Transactions on Sustainable Energy, vol. 0.73
12, no. 1, pp. 14–24, 2021. 12,1, pp. 14-24, 2021。 0.78
[115] C. Wan, C. Zhao, and Y. Song, “Chance constrained extreme learning machine for nonparametric prediction intervals of wind power generation,” IEEE Transactions on Power Systems, vol. 115] c. wan, c. zhao, y. song, “chance restricteded extreme learning machine for nonparametric prediction intervals of wind power generation” ieee transactions on power systems, vol. ] (英語)
訳抜け防止モード: [115 ]C.Wan,C.Zhao,Y.Song, 「風力発電の非パラメトリック予測間隔を制約した極端学習機」 IEEE Transactions on Power Systems, vol。
0.74
35, no. 5, pp. 3869– 3884, 2020. 35, No. 5, pp. 3869– 3884, 2020。 0.89
[116] C. Zhao, C. Wan, and Y. Song, “Operating reserve quantification using prediction intervals of wind power: An integrated probabilistic forecasting and decision methodology,” IEEE Transactions on Power Systems, vol. 116] c. zhao, c. wan, y. song, “operating reserve quantification using prediction intervals of wind power: an integrated probabilistic forecasting and decision methodology”, ieee transactions on power systems, vol. (英語)
訳抜け防止モード: [116 ] c. zhao, c. wan, y. song 「風力の予測間隔を用いた運転予備量定量化 : 確率的予測と意思決定の総合的手法」 ieee transactions on power systems, vol. の略。
0.80
36, no. 4, pp. 3701–3714, 2021. 36, No. 4, pp. 3701–3714, 2021。 0.48
[117] Y. Wang, Q. Chen, D. Gan, J. Yang, D. S. Kirschen, and C. Kang, “Deep learning-based socio-demographic information identification from smart meter data,” IEEE Transactions on Smart Grid, vol. Y. Wang, Q. Chen, D. Gan, J. Yang, D. S. Kirschen, C. Kang, “Deep Learning-based social-demographic information Identification from smart meter data”, IEEE Transactions on Smart Grid, Vol.
訳抜け防止モード: [117 ] Y. Wang, Q. Chen, D. Gan, J. Yang、D.S. Kirschen、C. Kangは、”ディープラーニング - 社会ベースの、スマートメーターのデータから人口統計情報を識別する”と述べている。 IEEE Transactions on Smart Grid, vol。
0.67
10, no. 3, pp. 2593–2602, 2019. 10, No. 3, pp. 2593–2602, 2019。 0.48
[118] J. Wang, H. Zhong, X. Lai, Q. Xia, Y. Wang, and C. Kang, “Exploring key weather factors from analytical modeling toward improved solar 118] j. wang, h. zhong, x. lai, q. xia, y. wang, c. kang, “分析モデルから太陽の改良までの主要な気象要因を探求する。
訳抜け防止モード: [118 ]J. Wang, H. Zhong, X. Lai, Q.Xia、Y.Wang、C.Kang 太陽エネルギー改善に向けた分析モデルから重要な気象要因を探る
0.82
power forecasting,” IEEE Transactions on Smart Grid, vol. 電力予測」ieeeはスマートグリッドで取引している。 0.51
10, no. 2, pp. 1417–1427, 2019. 10, no. 2, pp. 1417–1427, 2019。 0.48
[119] M. Cui, J. Zhang, Q. Wang, V. Krishnan, and B. [119]M. Cui、J. Zhang、Q. Wang、V. Krishnan、B。 0.44
-M. Hodge, “A datadriven methodology for probabilistic wind power ramp forecasting,” IEEE Transactions on Smart Grid, vol. -M。 ieee transactions on smart grid, vol. “a datadriven methodology for probabilistic wind power ramp forecasting”(確率的風力ランプ予測のためのデータ駆動手法)だ。
訳抜け防止モード: -M。 Hodgeは“確率的風力ランプ予測のためのデータ駆動手法”だ。 IEEE Transactions on Smart Grid, vol。
0.59
10, no. 2, pp. 1326–1338, 2019. 10, No. 2, pp. 1326–1338, 2019。 0.48
[120] L. Cheng, H. Zang, T. Ding, Z. Wei, and G. Sun, “Multimeteorological- factor-based graph modeling for photovoltaic power forecasting,” IEEE Transactions on Sustainable Energy, vol. 120] L. Cheng, H. Zang, T. Ding, Z. Wei, G. Sun, “Multimeteorological- factor-based graph modeling for photovoltaic power forecasting”, IEEE Transactions on Sustainable Energy, Vol.
訳抜け防止モード: [120 ] l. cheng, h. zang, t. ding, z. wei氏、g. sun氏、"多気象-因子--太陽光発電電力予測のためのグラフモデリング" ieee transactions on sustainable energy, vol. 参照。
0.68
12, no. 3, pp. 1593–1603, 2021. 12, No. 3, pp. 1593–1603, 2021。 0.48
[121] H. Long, C. Zhang, R. Geng, Z. Wu, and W. Gu, “A combination interval prediction model based on biased convex cost function and auto-encoder in solar power prediction,” IEEE Transactions on Sustainable Energy, vol. 121] h. long, c. zhang, r. geng, z. wu, w. gu, “太陽電力予測におけるバイアス付き凸コスト関数とオートエンコーダに基づく組み合わせ区間予測モデル”。
訳抜け防止モード: [121 ]H. Long, C. Zhang, R. Geng, Z. Wu, and W. Gu, “太陽エネルギー予測におけるバイアス付き凸コスト関数とオートエンコーダに基づく間隔予測モデル”。 IEEE Transactions on Sustainable Energy , vol
0.88
12, no. 3, pp. 1561–1570, 2021. 12, No. 3, pp. 1561-1570, 2021。 0.45
[122] X. Kong, C. Li, F. Zheng, and C. Wang, “Improved deep belief network for short-term load forecasting considering demand-side management,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[122] X. Kong, C. Li, F. Zheng, C. Wang, “需要側管理を考慮した短期負荷予測のための深い信頼ネットワークを改良した”。 0.82
35, no. 2, pp. 1531–1538, 2020. 35, No. 2, pp. 1531–1538, 2020。 0.48
[123] Y. Yuan, K. Dehghanpour, F. Bu, and Z. Wang, “A data-driven customer segmentation strategy based on contribution to system peak demand,” IEEE Transactions on Power Systems, vol. 123] y. yuan, k. dehghanpour, f. bu, z. wang, “システムピーク需要への貢献に基づくデータ駆動顧客セグメンテーション戦略”, ieee transactions on power systems, vol。 0.74
35, no. 5, pp. 4026–4035, 2020. 35, no. 5, pp. 4026-4035, 2020。 0.93
[124] Y. Yuan, K. Dehghanpour, F. Bu, and Z. Wang , “A multi-timescale data-driven approach to enhance distribution system observability,” IEEE Transactions on Power Systems, vol. ieee transactions on power systems, vol. “[124] y. yuan, k. dehghanpour, f. bu, z. wang, “分散システムの可観測性を高めるためのマルチタイムスケールデータ駆動アプローチ”だ。 0.74
34, no. 4, pp. 3168–3177, 2019. 34, no. 4, pp. 3168-3177, 2019。 0.95
[125] H. Zhang, J. Yan, Y. Liu, Y. Gao, S. Han, and L. Li, “Multi-source and temporal attention network for probabilistic wind power prediction,” IEEE Transactions on Sustainable Energy, vol. H.Zhang, J. Yan, Y. Liu, Y. Gao, S. Han, L. Li, “Multi-source and temporal attention network for probabilistic Wind Power Prediction”, IEEE Transactions on Sustainable Energy, Vol.
訳抜け防止モード: [125 ]H. Zhang, J. Yan, Y. Liu, Y. Gao, S. Han, and L. Li, “確率的風力予測のためのマルチソースおよび時間的注意ネットワーク” IEEE Transactions on Sustainable Energy , vol
0.93
12, no. 4, pp. 2205– 2218, 2021. 12, No. 4, pp. 2205–2218, 2021。 0.45
[126] G. Ruan, D. S. Kirschen, H. Zhong, Q. Xia, and C. Kang, “Estimating demand flexibility using Siamese LSTM neural networks,” IEEE Transactions on Power Systems, pp. 1–1, 2021. 126] g. ruan, d. s. kirschen, h. zhong, q. xia, c. kang, “siaese lstmニューラルネットワークによる需要の柔軟性を見積もる”、ieee transactions on power systems, pp. 1–1, 2021。 0.71
[127] C. Zhao, C. Wan, and Y. Song, “An adaptive bilevel programming model for nonparametric prediction intervals of wind power generation,” IEEE Transactions on Power Systems, vol. 127] c. zhao, c. wan, y. song, “a adaptive bilevel programming model for nonparametric prediction intervals of wind power generation” ieee transactions on power systems, vol. ] (英語)
訳抜け防止モード: [127 ]C.Zhao,C.Wan,Y.Song, 「風力発電の非パラメトリック予測区間に対する適応的二段階プログラミングモデル」 IEEE Transactions on Power Systems, vol。
0.76
35, no. 1, pp. 424– 439, 2020. 35, No. 1, pp. 424– 439, 2020。 0.44
[128] G. W. Chang and H. [128]G.W.チャンとH。 0.75
-J. Lu, “Integrating gray data preprocessor and deep belief network for day-ahead pv power output forecast,” IEEE Transactions on Sustainable Energy, vol. -j。 ieee transactions on sustainable energy, vol. “grey data preprocessor and deep belief network for day-ahead pv power output forecast”(gray data preprocessorとdeep belief networkを統合)。
訳抜け防止モード: -j。 グレーのデータプリプロセッサとディープ・信仰ネットワークを1日で統合する」とLuは語る IEEE Transactions on Sustainable Energy, vol.
0.68
11, no. 1, pp. 185–194, 2020. 11 no. 1, pp. 185–194, 2020。 0.87
[129] F. Bu, K. Dehghanpour, Z. Wang, and Y. Yuan, “A data-driven framework for assessing cold load pick-up demand in service restoration,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[129] F. Bu, K. Dehghanpour, Z. Wang, Y. Yuan, “サービス復旧におけるコールドロードのピックアップ要求を評価するためのデータ駆動フレームワーク”。 0.83
34, no. 6, pp. 4739–4750, 2019. 34, no. 6, pp. 4739–4750, 2019。 0.48
[130] L. Ch´avarro-Barrera, S. P´erez-Londo˜no, and J. Mora-Fl´orez, “An adaptive approach for dynamic load modeling in microgrids,” IEEE Transactions on Smart Grid, vol. [130] L. Ch ́avarro-Barrera, S. P ́erez-Londo 'no, J. Mora-Fl ́orez, “Aaptive approach for dynamic load modeling in microgrids, IEEE Transactions on Smart Grid, vol。
訳抜け防止モード: [130 ] l. ch ́avarro - barrera, s. p ́erez - londo and j. mora - fl ́orez, “a adaptive approach for dynamic load modeling in microgrids” スマートグリッド上でのieeeトランザクション。
0.71
12, no. 4, pp. 2834–2843, 2021. 12. 4, pp. 2834-2843, 2021。 0.76
[131] J. Simeunovic, B. Schubnel, P. J. Alet, and R. E. Carrillo, “Spatiotemporal graph neural networks for multi-site pv power forecasting,” IEEE Transactions on Sustainable Energy, pp. 1–1, 2021. 131] j. simeunovic, b. schubnel, p. j. alet, r. e. carrillo, “spatiotemporal graph neural networks for multi-site pv power forecasting” ieee transactions on sustainable energy, pp. 1–1, 2021。
訳抜け防止モード: [131 ]J. Simeunovic, B. Schubnel, P. J. Alet, そしてR.E. Carrillo氏は,“マルチサイトpv電力予測のための時空間グラフニューラルネットワーク”について語る。 IEEE Transactions on Sustainable Energy, pp. 1-1, 2021
0.76
[132] B. Goehry, Y. Goude, P. Massart, and J. 132] B. Goehry, Y. Goude, P. Massart, J. 0.43
-M. Poggi, “Aggregation of multi-scale experts for bottom-up load forecasting,” IEEE Transactions on Smart Grid, vol. -M。 Poggi, “Aggregation of multi-scale experts for bottom-up load forecasting”, IEEE Transactions on Smart Grid, vol.
訳抜け防止モード: -M。 Poggi, “Multi-scale experts for bottom - up load forecasting” と題された。 IEEE Transactions on Smart Grid, vol。
0.61
11, no. 3, pp. 1895–1904, 2020. 11, 3, pp. 1895-1904, 2020。 0.79
[133] C. Feng, M. Sun, and J. Zhang, “Reinforced deterministic and probabilistic load forecasting via q -learning dynamic model selection,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[133] C. Feng, M. Sun, J. Zhang, “q-learning dynamic model selectionによる決定的および確率的負荷予測の強化”。 0.94
11, no. 2, pp. 1377–1386, 2020. 11、no.2、p.1377-1386、2020。 0.75
[134] M. Li, W. Wei, Y. Chen, M. 134] M. Li, W. Wei, Y. Chen, M. 0.47
-F. Ge, and J. P. S. Catal˜ao, “Learning the optimal strategy of power system operation with varying renewable generations,” IEEE Transactions on Sustainable Energy, vol. -F。 ieee transactions on sustainable energy, vol. “さまざまな再生可能世代で電力系統運用の最適戦略を学ぶこと。
訳抜け防止モード: -F。 とJ.P.S. Catalは言う。 様々な再生可能世代で電力系統運用の最適戦略を学ぶ」と述べた。 IEEE Transactions on Sustainable Energy , vol
0.60
12, no. 4, pp. 2293–2305, 2021. 12,4, pp. 2293-2305, 2021。 0.76
[135] X. Lei, Z. Yang, J. Yu, J. Zhao, Q. Gao, and H. Yu, “Data-driven optimal power flow: A physics-informed machine learning approach,” IEEE Transactions on Power Systems, vol. [135] X. Lei, Z. Yang, J. Yu, J. Zhao, Q. Gao, H. Yu, “Data-driven optimal power flow: A Physics-informed machine learning approach”, IEEE Transactions on Power Systems, vol。
訳抜け防止モード: [135 ]X.レイ、Z.ヤン、J.ユ J.Zhao, Q. Gao, H. Yuは,“データ-駆動の最適電力フロー : 物理-情報機械学習アプローチ”と述べている。 IEEE Transactions on Power Systems, vol。
0.78
36, no. 1, pp. 346–354, 2021. 36, no. 1, pp. 346–354, 2021。 0.95
[136] R. Dobbe, O. Sondermeijer, D. Fridovich-Keil, D. Arnold, D. Callaway, and C. Tomlin, “Toward distributed energy services: Decentralizing optimal power flow with machine learning,” IEEE Transactions on Smart Grid, vol. 関連スポンサーコンテンツ [136] r. dobbe, o. sondermeijer, d. fridovich-keil, d. arnold, d. callaway, c. tomlin, “toward distributed energy services: decentralizing optimal power flow with machine learning” ieee transactions on smart grid, vol.
訳抜け防止モード: [136 ]R. Dobbe, O. Sondermeijer, D. Fridovich - Keil, D. Arnold, D. Callaway, C. Tomlin 「分散エネルギーサービスを目指して」 機械学習による最適電力フローの分散化” IEEE Transactions on Smart Grid, vol.
0.90
11, no. 2, pp. 1296–1306, 2020. 11 no. 2, pp. 1296–1306, 2020。 0.87
[137] X. Fu, Q. Guo, and H. Sun, “Statistical machine learning model for stochastic optimal planning of distribution networks considering a dynamic correlation and dimension reduction,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[137] X. Fu, Q. Guo, H. Sun, “動的相関と次元減少を考慮した分散ネットワークの確率論的最適計画のための統計的機械学習モデル”。 0.92
11, no. 4, pp. 2904–2917, 2020. 11、no.4、p.2904-2917、2020。 0.71
[138] M. Chatzos, T. W. Mak, and P. Vanhentenryck, “Spatial network decomposition for fast and scalable ac-opf learning,” IEEE Transactions on Power Systems, pp. 1–1, 2021. 138] m. chatzos, t. w. mak, p. vanhentenryck, “spatial network decomposition for fast and scalable ac-opf learning” ieee transactions on power systems, pp. 1–1, 2021。
訳抜け防止モード: [138 ]M. Chatzos, T. W. Mak, P. Vanhentenryck. 「高速でスケーラブルな交流学習のための空間ネットワーク分解」 IEEE Transactions on Power Systems, pp. 1-1, 2021。
0.80
[139] F. Mohammadi, M. Sahraei-Ardakani, D. N. Trakas, and N. D. Hatziargyriou, “Machine learning assisted stochastic unit commitment during 139] f. mohammadi, m. sahraei-ardakani, d. n. trakas, n. d. hatziargyriou, “machine learning assisted stochastic unit commitment during”(英語)
訳抜け防止モード: [139 ]F. Mohammadi, M. Sahraei-Ardakani, D. N. Trakas, 機械学習は確率的単位コミットメントを支援する
0.74
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 24 IEEEの成果 24 0.51
hurricanes with predictable line outages,” IEEE Transactions on Power Systems, vol. とieee transactions on power systems, vol.1は述べている。 0.37
36, no. 6, pp. 5131–5142, 2021. 36, no. 6, pp. 5131-5142, 2021。 0.90
[140] A. Velloso and P. Van Hentenryck, “Combining deep learning and optimization for preventive security-constrained dc optimal power flow,” IEEE Transactions on Power Systems, vol. [140] a. velloso氏とp. van hentenryck氏は、"セキュリティに制約のあるdcの最適電力フローを予防するためにディープラーニングと最適化を組み合わせる"と書いている。
訳抜け防止モード: [140 ] A. Velloso と P. Van Hentenryck 氏は,“ディープラーニングと,予防的セキュリティのための最適化を組み合わせる - 制約付き dc 最適電力フロー” だ。 IEEE Transactions on Power Systems, vol。
0.75
36, no. 4, pp. 3618– 3628, 2021. 36, no. 4, pp. 3618–3628, 2021。 0.89
[141] X. Pan, T. Zhao, M. Chen, and S. Zhang, “DeepOPF: A deep neural network approach for security-constrained DC optimal power flow,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[141] X. Pan, T. Zhao, M. Chen, S. Zhang, “DeepOPF: セキュリティに制約のあるDC最適電力フローのためのディープニューラルネットワークアプローチ”。 0.91
36, no. 3, pp. 1725–1735, 2021. 36, no. 3, pp. 1725–1735, 2021。 0.96
[142] R. Barros, E. G. Costa, and J. Araujo, “Maximizing the financial return of non-technical loss management in power distribution systems,” IEEE Transactions on Power Systems, pp. 1–1, 2021. 142] r. barros, g. costa, j. araujo, "電力配電システムにおける非技術的損失管理の金銭的リターンを最大化する" ieee transactions on power systems, pp. 1–1, 2021。 0.77
[143] K. Dehghanpour and H. Nehrir, “An agent-based hierarchical bargaining framework for power management of multiple cooperative microgrids,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[143] K. Dehghanpour, H. Nehrir, “エージェントベースの複数の協調型マイクログリッドの電力管理のための階層的交渉フレームワーク”。 0.83
10, no. 1, pp. 514–522, 2019. 10, No. 1, pp. 514–522, 2019。 0.48
[144] S. Baltaoglu, L. Tong, and Q. Zhao, “Algorithmic bidding for virtual trading in electricity markets,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[144] S. Baltaoglu, L. Tong, Q. Zhao, “Algorithmic bidding for virtual trading in electric market”. IEEE Transactions on Power Systems.
訳抜け防止モード: [144 ]S. Baltaoglu, L. Tong, Q. Zhao. IEEE Transactions on Power Systems,vol. “電力市場における仮想取引のためのアルゴリズム入札”。
0.85
34, no. 1, pp. 535–543, 2019. 34, No. 1, pp. 535–543, 2019。 0.48
[145] S. Pineda, J. M. Morales, and A. Jim´enez-Cordero, “Data-driven screening of network constraints for unit commitment,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[145] S. Pineda, J. M. Morales, A. Jim ́enez-Cordero, “Data-driven screening of network constraints for unit commitment”. IEEE Transactions on Power Systems.
訳抜け防止モード: [145 ]S. Pineda, J. M. Morales, A. Jim ́enez - Cordero, ユニットコミットメントのためのネットワーク制約の,データ駆動によるスクリーニング”。 IEEE Transactions on Power Systems, vol。
0.71
35, no. 5, pp. 3695–3705, 2020. 35, No. 5, pp. 3695–3705, 2020。 0.48
[146] L. Liu and Z. Hu, “Data-driven regulation reserve capacity determination based on bayes theorem,” IEEE Transactions on Power Systems, vol. ieee transactions on power systems, vol. “data-driven regulation reserve capacity determination based on bayes theorem” [146] l. liuとz. huは、次のように述べている。
訳抜け防止モード: [146 ] L. Liu と Z. Hu は「データ-ベイズ定理に基づく規制付き準備能力決定」と述べた。 IEEE Transactions on Power Systems, vol。
0.78
35, no. 2, pp. 1646–1649, 2020. 35, No. 2, pp. 1646–1649, 2020。 0.48
[147] F. Safdarian, A. Kargarian, and F. Hasan, “Multiclass learning-aided temporal decomposition and distributed optimization for power systems,” IEEE Transactions on Power Systems, vol. [147] f. safdarian, a. kargarian, and f. hasan, “multiclass learning-assisted temporal decomposition and distributed optimization for power systems” ieee transactions on power systems, vol.)。
訳抜け防止モード: 147 ] f. safdarian, a. kargarian, f. hasan 「多クラス学習-電力系統の時間分解と分散最適化を支援する」 ieee transactions on power systems, vol. の略。
0.82
36, no. 6, pp. 4941– 4952, 2021. 36, no. 6, pp. 4941– 4952, 2021。 0.88
[148] Y. Li, N. Yu, and W. Wang, “Machine learning-driven virtual bidding with electricity market efficiency analysis,” IEEE Transactions on Power Systems, pp. 1–1, 2021. 148] y. li, n. yu, and w. wang, “machine learning-driven virtual bidding with electricity market efficiency analysis” ieee transactions on power systems, pp. 1–1, 2021。
訳抜け防止モード: 148 ] y. li, n. yu, w. wang 「機械学習-電力市場効率分析による仮想入札」 ieee transactions on power systems, pp. 1–1, 2021 を参照。
0.78
[149] B. Stappers, N. G. Paterakis, K. Kok, and M. Gibescu, “A class-driven approach based on long short-term memory networks for electricity price scenario generation and reduction,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[149] B. Stappers, N. G. Paterakis, K. Kok, M. Gibescu, “電力価格シナリオの生成と削減のための長期記憶ネットワークに基づくクラス駆動のアプローチ”。 0.86
35, no. 4, pp. 3040–3050, 2020. 35, no. 4, pp. 3040-3050, 2020。 0.87
[150] S. Chai, Z. Xu, and Y. Jia, “Conditional density forecast of electricity price based on ensemble ELM and logistic EMOS,” IEEE Transactions on Smart Grid, vol. [150]S. Chai,Z. Xu,Y. Jia,“アンサンブルEMMとロジスティックEMOSに基づく電気価格の連続密度予測”,IEEE Transactions on Smart Grid,Vol. 0.74
10, no. 3, pp. 3031–3043, 2019. 10, 3, pp. 3031-3043, 2019 頁。 0.83
[151] S. Li, T. Ding, C. Mu, C. Huang, and M. Shahidehpour, “A machine learning-based reliability evaluation model for integrated power-gas systems,” IEEE Transactions on Power Systems, pp. 1–1, 2021. [151] S. Li, T. Ding, C. Mu, C. Huang, M. Shahidehpour, “A machine learning based reliability evaluation model for integrated power-gas systems, IEEE Transactions on Power Systems, pp. 1–1, 2021”。
訳抜け防止モード: [151 ]S. Li, T. Ding, C. Mu, C. Huang, and M. Shahidehpour, “機械学習 - 統合電力 - ガスシステムのための信頼性評価モデル”。 IEEE Transactions on Power Systems, pp. 1-1, 2021。
0.82
[152] B. Zhang, M. Wang, and W. Su, “Reliability analysis of power systems integrated with high-penetration of power converters,” IEEE Transactions on Power Systems, vol. B. Zhang, M. Wang, W. Su, “Reliability analysis of power systems integrated with high-penetration of power converter”, IEEE Transactions on Power Systems, vol。
訳抜け防止モード: [152 ]B.張、M.王、W.スー 「電力変換器の高浸透と統合された電力系統の信頼性解析」 IEEE Transactions on Power Systems, vol。
0.82
36, no. 3, pp. 1998–2009, 2021. 36, No. 3, pp. 1998-2009, 2021。 0.46
[153] K. Mahmoud and M. Abdel-Nasser, “Fast yet accurate energy-lossassessmen t approach for analyzing/sizing PV in distribution systems using machine learning,” IEEE Transactions on Sustainable Energy, vol. IEEE Transactions on Sustainable Energy, vol.[153] K. MahmoudとM. Abdel-Nasserは、“機械学習を使った分散システムにおけるPVの分析とサイズ化のための、もっとも正確なエネルギー分析アプローチ”と述べている。 0.66
10, no. 3, pp. 1025–1033, 2019. 10, No. 3, pp. 1025–1033, 2019。 0.48
[154] Z. S. Hosseini, A. Khodaei, and A. Paaso, “Machine learning-enabled distribution network phase identification,” IEEE Transactions on Power Systems, vol. 154] z. s. hosseini, a. khodaei, a. paaso, “machine learning-enabled distribution network phase identification”, ieee transactions on power systems, vol. 。
訳抜け防止モード: [154年]Z.S.ホスセイニ、A.ホダエイ、A.パサソ 機械学習 - 分散ネットワークのフェーズ識別を可能にする、IEEE Transactions on Power Systems,vol。
0.65
36, no. 2, pp. 842–850, 2021. 36, no. 2, pp. 842–850, 2021。 0.96
[155] G. Dalal, E. Gilboa, S. Mannor, and L. Wehenkel, “Chance-constrained outage scheduling using a machine learning proxy,” IEEE Transactions on Power Systems, vol. G. Dalal, E. Gilboa, S. Mannor, L. Wehenkel, “Chance-Constrained offage schedule using a machine learning proxy”, IEEE Transactions on Power Systems, vol.[155] G. Dalal, E. Gilboa, S. Mannor, L. Wehenkel。
訳抜け防止モード: [155 ]G. Dalal, E. Gilboa, S. Mannor, そしてL. Wehenkel氏は,“Cance - マシンラーニングプロキシを使用した停止スケジューリングを制約した”。 IEEE Transactions on Power Systems, vol。
0.69
34, no. 4, pp. 2528–2540, 2019. 34, no. 4, pp. 2528-2540, 2019。 0.94
[156] M. Yi and M. Wang, “Bayesian energy disaggregation at substations with uncertainty modeling,” IEEE Transactions on Power Systems, pp. 1–1, 2021. 156] m. yi and m. wang, “bayesian energy disaggregation at substations with uncertainty modeling” ieee transactions on power systems, pp. 1–1, 2021。
訳抜け防止モード: [156 ]m. yi, m. wang, “不確実性モデリングを伴う変電所におけるベイズエネルギーの分散” ieee transactions on power systems, pp. 1–1, 2021 を参照。
0.71
[157] J. Yuan and Y. Weng, “Support matrix regression for learning power flow in distribution grid with unobservability,” IEEE Transactions on Power Systems, pp. 1–1, 2021. ieee transactions on power systems, pp. 1–1, 2021. [157] j. yuan, y. weng, and y. weng, “観測不能な分散グリッドにおける電力の流れを学習するための行列回帰をサポートする。
訳抜け防止モード: [157 ]J. Yuan, Y. Weng, “可観測性のない配電系統における電力フロー学習のための行列回帰支援” IEEE Transactions on Power Systems, pp. 1-1, 2021。
0.78
[158] Y. Zhang, C. Chen, G. Liu, T. Hong, and F. Qiu, “Approximating trajectory constraints with machine learning – microgrid islanding with frequency constraints,” IEEE Transactions on Power Systems, vol. 158] y. zhang氏、c. chen氏、g. liu氏、t. hong氏、f. qiu氏、"機械学習による軌道制約の近似 – 周波数制約付きマイクログリッドの分離",ieee transactions on power systems, vol. 。
訳抜け防止モード: [158 ] Y. Zhang, C. Chen, G. Liu, T. Hong, F. Qiu, “軌道制約を機械学習で近似する – 周波数制約付きマイクログリッドアイランド”。 IEEE Transactions on Power Systems, vol。
0.84
36, no. 2, pp. 1239–1249, 2021. 36, no. 2, pp. 1239–1249, 2021。 0.95
[159] E. Cook, S. Luo, and Y. Weng, “Solar panel identification via deep semi-supervised learning and deep one-class classification,” IEEE Transactions on Power Systems, pp. 1–1, 2021. E. Cook, S. Luo, and Y. Weng, “Solar panel identification via Deep semi-supervised learning and Deep one-class classification”, IEEE Transactions on Power Systems, pp. 1–1, 2021。
訳抜け防止モード: [159 ]E. Cook, S. Luo, Y. Weng, 「深いセミ・教師付き学習とディープ・ワン・クラス分類によるソーラーパネル識別」 IEEE Transactions on Power Systems, pp. 1-1, 2021。
0.78
[160] B. Foggo and N. Yu, “Improving supervised phase identification through the theory of information losses,” IEEE Transactions on Smart Grid, vol. ieee transactions on smart grid, vol. “the theory of information loss”[160] b. foggoとn. yuは、“情報損失の理論を通した教師付きフェーズ識別の改善”と言っている。
訳抜け防止モード: [160 ]B. Foggo,N. Yu, “情報損失理論による教師付き位相識別の改善” IEEE Transactions on Smart Grid, vol。
0.71
11, no. 3, pp. 2337–2346, 2020. 11、no. 3, pp. 2337-2346、2020。 0.78
[161] W. Gao and D. Gorinevsky, “Probabilistic modeling for optimization of resource mix with variable generation and storage,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[161] W. Gao, D. Gorinevsky, “Probabilistic Modeling for optimization of resource mix with variable generation and storage”. IEEE Transactions on Power Systems.
訳抜け防止モード: 161 ] w. gao と d. gorinevsky, “確率的モデリングによるリソース混合と変数生成とストレージの最適化” ieee transactions on power systems, vol. の略。
0.84
35, no. 5, pp. 4036–4045, 2020. 35, no. 5, pp. 4036-4045, 2020。 0.93
[162] M. Mohammadian, F. Aminifar, N. Amjady, and M. Shahidehpour, “Data-driven classifier for extreme outage prediction based on bayes decision theory,” IEEE Transactions on Power Systems, vol. 162] m. mohammadian, f. aminifar, n. amjady, m. shahidehpour, “ベイズ決定理論に基づく極端な停止予測のためのデータ駆動分類器”、ieee transactions on power systems, vol。 0.82
36, no. 6, pp. 4906–4914, 2021. 36, no. 6, pp. 4906-4914, 2021。 0.89
[163] M. Mokhtar, V. Robu, D. Flynn, C. Higgins, J. Whyte, C. Loughran, and F. Fulton, “Automating the verification of the low voltage network cables and topologies,” IEEE Transactions on Smart Grid, vol. M. Mokhtar, V. Robu, D. Flynn, C. Higgins, J. Whyte, C. Loughran, F. Fulton, “低電圧ネットワークケーブルとトポロジの検証を自動化する”。
訳抜け防止モード: [163 ]M. Mokhtar, V. Robu, D. Flynn, C. Higgins, J. Whyte, C. Loughran, F. Fulton 「低電圧ネットワークケーブルとトポロジの検証を自動化する」 IEEE Transactions on Smart Grid, vol。
0.86
11, no. 2, pp. 1657–1666, 2020. 11、no. 2, pp. 1657-1666、2020。 0.79
[164] T. Huang, S. Gao, and L. Xie, “A neural Lyapunov approach to transient stability assessment of power electronics-interfac ed networked microgrids,” IEEE Transactions on Smart Grid, pp. 1–1, 2021. T. Huang, S. Gao, and L. Xie, “A Neural Lyapunov approach to transient stability Assessment of power electronics-interfac ed networked microgrids, IEEE Transactions on Smart Grid, pp. 1–1, 2021”。
訳抜け防止モード: [164 ]T. Huang、S. Gao、L. Xie。 電力エレクトロニクスの過渡的安定性評価に対するニューラルリアプノフのアプローチ - ネットワーク化されたマイクログリッド-」 IEEE Transactions on Smart Grid, pp. 1-1, 2021
0.78
[165] M. Cui, J. Wang, and B. Chen, “Flexible machine learning-based cyberattack detection using spatiotemporal patterns for distribution systems,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[165] M. Cui, J. Wang, B. Chen, “分散システムの時空間パターンを用いたフレキシブル機械学習によるサイバー攻撃検出”。 0.89
11, no. 2, pp. 1805– 1808, 2020. 11, No. 2, pp. 1805– 1808, 2020。 0.89
[166] Q. Wang, F. Li, Y. Tang, and Y. Xu, “Integrating model-driven and data-driven methods for power system frequency stability assessment and control,” IEEE Transactions on Power Systems, vol. Q. Wang, F. Li, Y. Tang, Y. Xu, “Integrating model-driven and data-driven method for power system frequency stability Assessment and control”, IEEE Transactions on Power Systems, Vol.
訳抜け防止モード: 【166年】王、李、李、唐、 電力系統の周波数安定性評価と制御のためのモデル駆動型とデータ駆動型の統合手法」 ieee transactions on power systems, vol. の略。
0.73
34, no. 6, pp. 4557–4568, 2019. 34, no. 6, pp. 4557-4568, 2019。 0.90
[167] L. Zhu and Y. Luo, “Deep feedback learning based predictive control for power system undervoltage load shedding,” IEEE Transactions on Power Systems, vol. ieee transactions on power systems, vol. “deep feedback learning based prediction control for power system undervoltage load shedding”[167] l. zhuとy. luoは、次のように述べている。 0.73
36, no. 4, pp. 3349–3361, 2021. 36, no. 4, pp. 3349-3361, 2021。 0.89
[168] L. Zhu, D. J. Hill, and C. Lu, “Hierarchical deep learning machine for power system online transient stability prediction,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[168] L. Zhu, D. J. Hill, C. Lu, “電力システムのオンライン過渡的安定性予測のための階層的なディープラーニングマシン”。 0.83
35, no. 3, pp. 2399–2411, 2020. 35, No. 3, pp. 2399–2411, 2020。 0.48
[169] J. L. Cremer, I. Konstantelos, S. H. Tindemans, and G. Strbac, “Datadriven power system operation: Exploring the balance between cost and risk,” IEEE Transactions on Power Systems, vol. 169] J. L. Cremer, I. Konstantelos, S. H. Tindemans, G. Strbac, “Datadriven power system operation: Exploring the balance between cost and risk”, IEEE Transactions on Power Systems, vol.
訳抜け防止モード: [169 ]J. L. Cremer, I. Konstantelos, S. H. Tindemans, データ駆動型電力系統運用 : G. Strbac コストとリスクのバランスを探求する”IEEE Transactions on Power Systems, vol.
0.84
34, no. 1, pp. 791–801, 2019. 34, no. 1, pp. 791-801, 2019。 0.95
[170] S. M. Mazhari, B. Khorramdel, C. Y. Chung, [170]S. M. Mazhari, B. Khorramdel, C. Y. Chung 0.46
I. Kamwa, and D. Novosel, “A simulation-based classification approach for online prediction of generator dynamic behavior under multiple large disturbances,” IEEE Transactions on Power Systems, vol. I. Kamwa, D. Novosel, “A Simulation-based classification approach for online prediction of generator dynamic behavior under multiple large disturbances”, IEEE Transactions on Power Systems, vol. 0.44
36, no. 2, pp. 1217–1228, 2021. 36, no. 2, pp. 1217–1228, 2021。 0.96
[171] H. -Y. 171] H。 -y。 0.34
Su and H. -H. Hong, “An intelligent data-driven learning approach to enhance online probabilistic voltage stability margin prediction,” IEEE Transactions on Power Systems, vol. SuとH。 -h。 IEEE Transactions on Power Systems, vol., “オンラインの確率的電圧安定率予測を強化するインテリジェントなデータ駆動学習アプローチ”。 0.65
36, no. 4, pp. 3790–3793, 2021. 36, no. 4, pp. 3790-3793, 2021。 0.93
[172] L. Zhu, D. Hill, and C. Lu, “Semi-supervised ensemble learning framework for accelerating power system transient stability knowledge base generation,” IEEE Transactions on Power Systems, pp. 1–1, 2021. [172] l. zhu, d. hill, c. lu, “semi-supervised ensemble learning framework foraccelerated power system transient stability knowledge base generation” ieee transactions on power systems, pp. 1–1, 2021” (英語)
訳抜け防止モード: [172 ]L. Zhu、D. Hill、C. Lu 「電力系統の過渡安定知識ベース生成を加速させる半教師型アンサンブル学習フレームワーク」 IEEE Transactions on Power Systems, pp. 1-1, 2021。
0.75
[173] I. Konstantelos, M. Sun, S. H. Tindemans, S. Issad, P. Panciatici, and G. Strbac, “Using vine copulas to generate representative system states for machine learning,” IEEE Transactions on Power Systems, vol. 関連スポンサーコンテンツ [173] i. konstantelos, m. sun, s. h. tindemans, s. issad, p. panciatici, g. strbac, “vine copulasを使って機械学習の代表的なシステム状態を生成する”。
訳抜け防止モード: [173 ]I. Konstantelos, M. Sun, S. H. Tindemans, S. Issad, P. Panciatici, G. Strbac, ブドウのコプラを使って機械学習の代表的なシステム状態を生成する”。 IEEE Transactions on Power Systems, vol。
0.82
34, no. 1, pp. 225–235, 2019. 34, No. 1, pp. 225-235, 2019。 0.47
[174] X. Yin and X. Zhao, “Sensorless maximum power extraction control of a hydrostatic tidal turbine based on adaptive extreme learning machine,” IEEE Transactions on Sustainable Energy, vol. IEEE Transactions on Sustainable Energy, vol. [174] X. Yin and X. Zhao, “Sensorless maximum power extract control of a hydrostatic tidal turbine based on Adaptive extreme learning machine, IEEE Transactions on Sustainable Energy, Vol.
訳抜け防止モード: [174 ]X.YinとX.Zhaoは,「適応的極端な学習機械に基づく静水圧潮流タービンのセンサレス最大電力抽出制御」である。 IEEE Transactions on Sustainable Energy , vol
0.87
11, no. 1, pp. 426–435, 2020. 11、no. 1, pp. 426-435、2020。 0.82
[175] G. Ravikumar and M. Govindarasu, “Anomaly detection and mitigation for wide-area damping control using machine learning,” IEEE Transactions on Smart Grid, pp. 1–1, 2020. G. Ravikumar and M. Govindarasu, “Anomaly detection and mitigation for wide-area damping control using machine learning”, IEEE Transactions on Smart Grid, pp. 1–1, 2020。
訳抜け防止モード: [175 ] G. Ravikumar, M. Govindarasu, “機械学習による広域減衰制御の異常検出と緩和” IEEE Transactions on Smart Grid, pp. 1-1, 2020
0.85
[176] M. Jalali, V. Kekatos, N. Gatsis, and D. Deka, “Designing reactive power control rules for smart inverters using support vector machines,” IEEE Transactions on Smart Grid, vol. M. Jalali, V. Kekatos, N. Gatsis, D. Deka, “Designing Reactive power control rules for smart inverters using support vector machine”, IEEE Transactions on Smart Grid, vol.[176] M. Jalali, V. Kekatos, N. Gatsis, D. Deka両氏は次のように述べている。
訳抜け防止モード: [176 ]M.Jalali, V. Kekatos, N. Gatsis, スマートインバータのためのリアクティブな電力制御ルールを設計するD. Deka サポートベクターマシンを使って”。 IEEE Transactions on Smart Grid, vol。
0.82
11, no. 2, pp. 1759–1770, 2020. 11, No. 2, pp. 1759-1770, 2020。 0.45
[177] L. Zhu and D. Hill, “Networked time series shapelet learning for power system transient stability assessment,” IEEE Transactions on Power Systems, pp. 1–1, 2021. [177] L. Zhu, D. Hill, “Networked time series shapelet learning for power system transient stability Assessment”, IEEE Transactions on Power Systems, pp. 1-1, 2021。
訳抜け防止モード: [177 ] L. Zhu, D. Hill, “ネットワーク時系列シェイプレット学習による電力系統過渡安定性評価” IEEE Transactions on Power Systems, pp. 1-1, 2021。
0.90
[178] Y. Zhao, J. Chen, and H. V. Poor, “A learning-to-infer method for realtime power grid multi-line outage identification,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[178] Y. Zhao, J. Chen, H. V. Poor, “A learn-to-infer method for realtime Power Grid multi-line offage Identification”. IEEE Transactions on Smart Grid.
訳抜け防止モード: [178 ]Y.Zhao、J. Chen、H.V. Poor 「リアルタイム電力グリッドマルチライン障害識別のための学習-to-推論手法」 IEEE Transactions on Smart Grid, vol。
0.72
11, no. 1, pp. 555–564, 2020. 11、no. 1, pp. 555-564、2020。 0.82
[179] S. K. Azman, Y. J. Isbeih, M. S. E. Moursi, and K. Elbassioni, “A unified online deep learning prediction model for small signal and transient stability,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[179] S. K. Azman, Y. J. Isbeih, M. S. E. Moursi, K. Elbassioni, “小さな信号と過渡的安定性のための統合されたオンラインディープラーニング予測モデル”。 0.83
35, no. 6, pp. 4585–4598, 2020. 35, No. 6, pp. 4585–4598, 2020。 0.48
[180] A. S. Zamzam, X. Fu, and N. D. Sidiropoulos, “Data-driven learningbased optimization for distribution system state estimation,” IEEE Transactions on Power Systems, vol. [180]A.S. Zamzam, X. Fu, N.D. Sidiropoulos, “Data-driven learning based optimization for distribution system state estimation”, IEEE Transactions on Power Systems, vol。
訳抜け防止モード: [180 ]A.S.Zamzam、X.fu、N.D.Sidiropoulos 分散システム状態推定のためのデータ駆動学習に基づく最適化」 IEEE Transactions on Power Systems, vol。
0.82
34, no. 6, pp. 4796–4805, 2019. 34, No. 6, pp. 4796–4805, 2019。 0.48
[181] S. Karagiannopoulos, P. Aristidou, and G. Hug, “Data-driven local control design for active distribution grids using off-line optimal power flow and machine learning techniques,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[181] S. Karagiannopoulos, P. Aristidou, G. Hug, “オフライン最適電力フローと機械学習技術を使用したアクティブな分散グリッドのためのデータ駆動ローカル制御設計”。 0.87
10, no. 6, pp. 6461–6471, 2019. 10,6,p.6461-6471,201 9。 0.66
[182] P. Wang and M. Govindarasu, “Multi-agent based attack-resilient system integrity protection for smart grid,” IEEE Transactions on Smart Grid, vol. ieee transactions on smart grid, vol. “multi-agent based attack-resilient system integrity protection for smart grid”[182] p. wang氏とm. govindarasu氏は、次のように述べている。
訳抜け防止モード: [182 ]P. Wang, M. Govindarasu, “マルチエージェントベースの攻撃 - スマートグリッドに対するレジリエントなシステム整合性保護”。 IEEE Transactions on Smart Grid, vol。
0.77
11, no. 4, pp. 3447–3456, 2020. 11、no.4、p.3447-3456、2020。 0.72
[183] W. Li, D. Deka, M. Chertkov, and M. Wang, “Real-time faulted line localization and pmu placement in power systems through convolutional 183] w. li, d. deka, m. chertkov, m. wang, "畳み込みによる電力系統のリアルタイム故障線定位とpmu配置" 0.77
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 25 IEEEの成果 25 0.51
neural networks,” IEEE Transactions on Power Systems, vol. とIEEE Transactions on Power Systems, vol。 0.19
34, no. 6, pp. 4640–4651, 2019. 34, no. 6, pp. 4640-4651, 2019。 0.92
[184] M. Sun, I. Konstantelos, and G. Strbac, “A deep learning-based feature extraction framework for system security assessment,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[184] M. Sun, I. Konstantelos, G. Strbac, “システムセキュリティ評価のためのディープラーニングベースの機能抽出フレームワーク”。 0.79
10, no. 5, pp. 5007–5020, 2019. 10, No. 5, pp. 5007–5020, 2019。 0.48
[185] Y. Su, H. Li, Y. Cui, S. You, Y. Ma, J. Wang, and Y. Liu, “An adaptive pv frequency control strategy based on real-time inertia estimation,” IEEE Transactions on Smart Grid, vol. [185] Y. Su, H. Li, Y. Cui, S. You, Y. Ma, J. Wang, Y. Liu, “リアルタイム慣性推定に基づく適応的なpv周波数制御戦略”, IEEE Transactions on Smart Grid, Vol. 0.93
12, no. 3, pp. 2355–2364, 2021. 12, 3, pp. 2355-2364, 2021。 0.76
[186] M. Alzayed, H. Chaoui, and Y. Farajpour, “Maximum power tracking for a wind energy conversion system using cascade-forward neural networks,” IEEE Transactions on Sustainable Energy, vol. ieee transactions on sustainable energy, vol. “maximum power tracking for a wind energy conversion system using cascade-forward neural networks”[186] m. alzayed, h. chaoui, y. farajpour ](英語)
訳抜け防止モード: [186 ]M. Alzayed, H. Chaoui, Y. Farajpour. 「カスケード-フォワードニューラルネットワークを用いた風力エネルギー変換システムの最大電力追跡」 IEEE Transactions on Sustainable Energy , vol
0.82
12, no. 4, pp. 2367–2377, 2021. 12, No. 4, pp. 2367–2377, 2021。 0.48
[187] D. Li and S. Dick, “Residential household non-intrusive load monitoring via graph-based multi-label semi-supervised learning,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[187] D. Li, S. Dick, “グラフベースのマルチラベル半教師あり学習による家庭内非侵入的負荷モニタリング”。 0.75
10, no. 4, pp. 4615–4627, 2019. 10, no. 4, pp. 4615-4627, 2019。 0.93
[188] C. Feng, A. Mehmani, and J. Zhang, “Deep learning-based real-time building occupancy detection using AMI data,” IEEE Transactions on Smart Grid, vol. C. Feng, A. Mehmani, J. Zhang, “深層学習に基づくAMIデータによるリアルタイムなビルディングの占有検知”, IEEE Transactions on Smart Grid, vol. “[188] C. Feng, A. Mehmani, J. Zhang。
訳抜け防止モード: [188 ]C. Feng, A. Mehmani, J. Zhang ディープラーニング--実時間構築の要員検出- AMIデータを使用する”。 IEEE Transactions on Smart Grid, vol。
0.80
11, no. 5, pp. 4490–4501, 2020. 11、no. 5, pp. 4490-4501、2020。 0.76
[189] A. Jaech, B. Zhang, M. Ostendorf, and D. S. Kirschen, “Real-time prediction of the duration of distribution system outages,” IEEE Transactions on Power Systems, vol. 189] a. jaech, b. zhang, m. ostendorf, d. s. kirschen, "配電系統の停止時間のリアルタイム予測", ieee transactions on power systems, vol。
訳抜け防止モード: [189 ]A. Jaech, B. Zhang, M. Ostendorf, D.S.カースチェンは「配電系統の停止期間のリアルタイム予測」と評した。 IEEE Transactions on Power Systems, vol。
0.70
34, no. 1, pp. 773–781, 2019. 34, no. 1, pp. 773-781, 2019。 0.48
[190] S. Wang, L. Li, and P. Dehghanian, “Distributed intelligence for online situational awareness in power grids,” IEEE Transactions on Power Systems, pp. 1–1, 2021. 190] s. wang, l. li, and p. dehghanian, “distributed intelligence for online situational awareness in power grids”. ieee transactions on power systems, pp. 1–1, 2021. (英語)
訳抜け防止モード: [190 ]S. Wang, L. Li, P. Dehghanian 『電力網におけるオンライン状況認識のための分散インテリジェンス』IEEE Transactions on Power Systems pp . 1–1 , 2021 .
0.84
[191] O. Boyaci, M. R. Narimani, K. Davis, M. Ismail, T. J. Overbye, and E. Serpedin, “Joint detection and localization of stealth false data injection attacks in smart grids using graph neural networks,” IEEE Transactions on Smart Grid, pp. 1–1, 2021. O. Boyaci, M. R.narimani, K. Davis, M. Ismail, T. J. Overbye, E. Serpedin, “グラフニューラルネットワークを用いたスマートグリッドにおけるステルス偽データインジェクション攻撃の検出とローカライゼーション”, IEEE Transactions on Smart Grid, pp. 1–1, 2021。 0.84
[192] Z. Yang and J. R. Marti, “Real-time resilience optimization combining an ai agent with online hard optimization,” IEEE Transactions on Power Systems, pp. 1–1, 2021. 192] z. yangとj. r. martiは、“aiエージェントとオンラインのハード最適化を組み合わせたリアルタイムレジリエンス最適化”、ieee transactions on power systems, pp. 1–1, 2021”と書いている。
訳抜け防止モード: 192 ] z. yang氏とj. r. marti氏,“aiエージェントとオンラインハード最適化を組み合わせたリアルタイムレジリエンス最適化”。 ieee transactions on power systems, pp. 1–1, 2021 を参照。
0.66
[193] L. Ma, L. Wang, and Z. Liu, “Topology identification of distribution networks using a split-em based data-driven approach,” IEEE Transactions on Power Systems, pp. 1–1, 2021. [193] L. Ma, L. Wang, Z. Liu, “Topology Identification of distribution network using a split-em based data-driven approach”, IEEE Transactions on Power Systems, pp. 1–1, 2021。
訳抜け防止モード: [193 ]L. Ma, L. Wang, Z. Liu 「分割型データ駆動型アプローチによる配電網のトポロジー同定」 IEEE Transactions on Power Systems, pp. 1-1, 2021。
0.78
[194] Y. Wang, H. Silva-Saravia, and H. Pulgar-Painemal, “Actuator placement for enhanced grid dynamic performance: A machine learning approach,” IEEE Transactions on Power Systems, vol. Y. Wang, H. Silva-Saravia, H. Pulgar-Painemal, “Actuator placement for enhanced grid dynamic performance: A machine learning approach”, IEEE Transactions on Power Systems, vol.[194] Y. Wang, H. Silva-Saravia, H. Pulgar-Painemal。
訳抜け防止モード: [194 ] Y. Wang, H. Silva - Saravia, グリッド動的パフォーマンス向上のためのアクチュエータ配置 : 機械学習アプローチ”。 IEEE Transactions on Power Systems, vol。
0.69
34, no. 4, pp. 3119–3128, 2019. 34, no. 4, pp. 3119-3128, 2019。 0.92
[195] A. Ahmed, K. S. Sajan, A. Srivastava, and Y. Wu, “Anomaly detection, localization and classification using drifting synchrophasor data streams,” IEEE Transactions on Smart Grid, vol. A. Ahmed, K. S. Sajan, A. Srivastava, Y. Wu, “ドリフト同期データストリームによる異常検出, ローカライゼーション, 分類”, IEEE Transactions on Smart Grid, vol。 0.76
12, no. 4, pp. 3570– 3580, 2021. 12,4,3570-3580,2021。 0.49
[196] Q. Huang, R. Huang, W. Hao, J. Tan, R. Fan, and Z. Huang, “Adaptive power system emergency control using deep reinforcement learning,” IEEE Transactions on Smart Grid, vol. Q. Huang, R. Huang, W. Hao, J. Tan, R. Fan, Z. Huang, “Adaptive power system emergency control using Deep reinforcement learning”, IEEE Transactions on Smart Grid, Vol.
訳抜け防止モード: [196 ]Q. Huang, R. Huang, W. Hao, J. Tan, R. Fan, and Z. Huang, “高度強化学習による適応電源システムの緊急制御”。 IEEE Transactions on Smart Grid, vol。
0.91
11, no. 2, pp. 1171–1182, 2020. 11, no. 2, pp. 1171-1182, 2020。 0.90
[197] Y. Zhang, X. Wang, J. Wang, and Y. Zhang, “Deep reinforcement learning based volt-var optimization in smart distribution systems,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[197] Y. Zhang, X. Wang, J. Wang, Y. Zhang, “Deep reinforcement learning based volt-var optimization in smart distribution system”. IEEE Transactions on Smart Grid.
訳抜け防止モード: [197 ] Y. Zhang, X. Wang, J. Wang, そしてY. Zhang氏は,“スマートディストリビューションシステムにおける深層強化学習に基づくVolt - var最適化”について述べている。 IEEE Transactions on Smart Grid, vol。
0.71
12, no. 1, pp. 361–371, 2021. 121, pp. 361-371, 2021。 0.56
[198] E. Mocanu, D. C. Mocanu, P. H. Nguyen, A. Liotta, M. E. Webber, M. Gibescu, and J. G. Slootweg, “On-line building energy optimization using deep reinforcement learning,” IEEE Transactions on Smart Grid, vol. IEEE Transactions on Smart Grid, vol.[198] E. Mocanu, D. C. Mocanu, P. H. Nguyen, A. Liotta, M. E. Webber, M. Gibescu, J. G. Slootweg, “ディープラーニングを使ったオンライン建築エネルギー最適化”, IEEE Transactions on Smart Grid。
訳抜け防止モード: [198 ]E. Mocanu, D. C. Mocanu, P. H. Nguyen, A. Liotta, M. E. Webber, M. Gibescu, J. G. Slootweg 「深層強化学習を用いたオンライン建設エネルギー最適化」 IEEE Transactions on Smart Grid, vol。
0.88
10, no. 4, pp. 3698–3708, 2019. 10, No. 4, pp. 3698–3708, 2019。 0.48
[199] C. Yang, A. A. Thatte, and L. Xie, “Multitime-scale data-driven spatiotemporal forecast of photovoltaic generation,” IEEE Transactions on Sustainable Energy, vol. C. Yang, A. A. Thatte, L. Xie, “Multitime-scale data-driven spatiotemporal forecast of photovoltaic generation”, IEEE Transactions on Sustainable Energy, vol.
訳抜け防止モード: [199 ]C. Yang, A. A. Thatte, L. Xie マルチタイム-スケールデータ-光発電の時空間予測」 IEEE Transactions on Sustainable Energy , vol
0.81
6, no. 1, pp. 104–112, 2015. 6巻1頁、p.104-112、2015年。 0.55
[200] M. S. Modarresi, L. Xie, M. C. Campi, S. Garatti, A. Car`e, A. A. Thatte, and P. R. Kumar, “Scenario-based economic dispatch with tunable risk levels in high-renewable power systems,” IEEE Transactions on Power Systems, vol. IEEE Transactions on Power Systems, vol.[200] M.S. Modarresi, L. Xie, M.C. Campi, S. Garatti, A. Car`e, A.A. Thatte, P.R. Kumar, “Scenario-based economic dispatch with tunable risk levels in high-renewable power systems”. IEEE Transactions on Power Systems.
訳抜け防止モード: [200 ]M. S. Modarresi, L. Xie, M. C. Campi S. Garatti, A. Car`e, A. A. Thatte, P. R. Kumar シナリオ-高再生可能電力システムにおける調整可能なリスクレベルの経済派遣」 IEEE Transactions on Power Systems, vol。
0.89
34, no. 6, pp. 5103–5114, 2019. 34, No. 6, pp. 5103–5114, 2019。 0.48
[201] T. Huang, N. M. Freris, P. R. Kumar, and L. Xie, “A synchrophasor data-driven method for forced oscillation localization under resonance conditions,” IEEE Transactions on Power Systems, vol. T. Huang, N. M. Freris, P. R. Kumar, L. Xie, “共振条件下での強制発振局所化のためのシンクロファサーデータ駆動方式”, IEEE Transactions on Power Systems, vol。 0.85
35, no. 5, pp. 3927–3939, 2020. 35, no. 5, pp. 3927-3939, 2020。 0.88
[202] S. A. Nezam Sarmadi, V. Venkatasubramanian, and A. Salazar, “Analysis of november 29, 2005 western american oscillation event,” IEEE Transactions on Power Systems, vol. 〔202〕S. A. Nezam Sarmadi, V. Venkatasubramanian, A. Salazar, “A Analysis of november 29, 2005 Western American oscillation event, IEEE Transactions on Power Systems, vol.
訳抜け防止モード: [202 ]S. A. Nezam Sarmadi, V. Venkatasubramanian, A. Salazarは「2005年11月29日西アメリカの振動現象の分析」と評した。 IEEE Transactions on Power Systems, vol。
0.82
31, no. 6, pp. 5210–5211, 2016. 31, No. 6, pp. 5210–5211, 2016 0.43
[203] E. J. Cand`es, X. Li, Y. Ma, and J. Wright, “Robust principal component analysis?” E. J. Cand`es, X. Li, Y. Ma, and J. Wright, “Robust principal component analysis?
訳抜け防止モード: [203 ] E. J. Cand`es, X. Li, Y. Ma, そして J. Wright 氏は,“ロバストな主成分分析?
0.88
Journal of the ACM (JACM), vol. ACM (Journal of the ACM) の略。 0.60
58, no. 3, pp. 1–37, 2011. 58, no. 3, pp. 1-37, 2011 頁。 0.40
[204] D. Wu, D. Kalathil, M. Begovic, and L. Xie, “Deep reinforcement learning-basedrobust protection in der-rich distribution grids,” arXiv preprint arXiv:2003.02422, 2020. D.Wu, D. Kalathil, M. Begovic, L. Xie, “Deep reinforcement learning-basedrobust protection in der-rich distribution grids”, arXiv preprint arXiv:2003.02422, 2020”.
訳抜け防止モード: [204 ]D.Wu,D.Kalathil,M.Be govic, そしてL. Xie氏は,“Deep reinforcement learning - basedrobust protection in der - rich distribution grids”と題する。 arXiv preprint arXiv:2003.02422 , 2020。
0.71
[205] D. Wu, D. Kalathil, M. Begovic, and L. Xie , “Pyprod: A machine learning-friendly platform for protection analytics in distribution systems,” arXiv preprint arXiv:2109.05802, 2021. 205] D. Wu, D. Kalathil, M. Begovic, L. Xie , “Pyprod: 分散システムにおける保護分析のための機械学習フレンドリーなプラットフォーム”, arXiv preprint arXiv:2109.05802, 2021.”。 0.84
[206] R. Killick and I. A. Eckley, “changepoint: An R package for changepoint analysis,” Journal of Statistical Software, vol. Journal of Statistical Software, vol.[206] R. KillickとI. A. Eckleyは、“changepoint: An R package for changepoint analysis”と書いている。 0.90
58, no. 3, pp. 1–19, 2014. 58, No. 3, pp. 1–19, 2014。 0.47
[Online]. Available: http://www.jstatsoft .org/v58/i03/ [オンライン]。 http://www.jstatsoft .org/v58/i03/ 0.41
[207] J. Redmon, “Darknet: Open source neural networks in c,” http:// 207] j. redmon, “darknet: open source neural networks in c”, http://google.com/da rknet 0.41
pjreddie.com/darknet /, 2013–2016. pjreddie.com/darknet /, 2013-2016 0.25
[208] T. -Y. [208]T。 -y。 0.36
Lin, M. Maire, S. Belongie, L. Bourdev, R. Girshick, J. Hays, P. Perona, D. Ramanan, C. L. Zitnick, and P. Doll´ar, “Microsoft COCO: Common objects in context,” 2015. Lin, M. Maire, S. Belongie, L. Bourdev, R. Girshick, J. Hays, P. Perona, D. Ramanan, C. L. Zitnick, P. Doll ́ar, “Microsoft COCO: Common Object in context” 2015年5月1日閲覧。 0.83
[209] T. Hong and S. Fan, “Probabilistic electric load forecasting: A tutorial review,” International Journal of Forecasting, vol. 209] t. hong and s. fan, “probabilistic electric load forecasting: a tutorial review”. international journal of forecasting, vol. (英語)
訳抜け防止モード: [209 ]T. Hong, S. Fan, “確率的電力負荷予測 : チュートリアルレビュー” International Journal of Forecasting』に収録。
0.74
32, no. 3, pp. 914– 938, 2016. 32, no. 3, pp. 914–938, 2016年。 0.88
[210] Y. Sun, W. Hao, Y. Chen, and B. Liu, “Data-driven occupant-behavior analytics for residential buildings,” Energy, vol. Y. Sun, W. Hao, Y. Chen, B. Liu, “データ駆動型住宅の居住環境分析”, Energy, vol。
訳抜け防止モード: [210 ] y. sun, w. hao, y. chen, b. liu氏, “データ駆動型居住者-住宅の行動分析” エネルギー、エネルギー。
0.74
206, p. 118100, 2020. 206、p.118100、2020。 0.42
[211] G. Gross and F. D. Galiana, “Short-term load forecasting,” Proceedings G. Gross and F. D. Galiana, “Short-term load forecasting”, Proceedings 0.41
of the IEEE, vol. 75, no. 12, pp. 1558–1573, 1987. IEEEのvol。 75, No. 12, pp. 1558–1573, 1987。 0.35
[212] D. C. Park, M. El-Sharkawi, R. Marks, L. Atlas, and M. Damborg, “Electric load forecasting using an artificial neural network,” IEEE transactions on Power Systems, vol. 212] d.c. park, m. el-sharkawi, r. marks, l. atlas, and m. damborg, “electric load forecasting using an artificial neural network”, ieee transactions on power systems, vol.)。
訳抜け防止モード: [212 ]d.c.パーク,m.el-シャークアウィ, r. marks, l. atlas, m. damborg, "人工ニューラルネットワークを用いた電力負荷予測" ieee transactions on power systems, vol. の略。
0.72
6, no. 2, pp. 442–449, 1991. 6巻2頁、442-449頁、1991年。 0.53
[213] L. Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone, Classifi- L. Breiman, J. H. Friedman, R. A. Olshen, C. J. Stone, Classifi- 0.43
cation and regression trees. Routledge, 2017. カチオンと回帰木。 Routledge、2017年。 0.68
[214] A. Rosenberg and J. Hirschberg, “V-measure: A conditional entropythe based external cluster evaluation measure,” in Proceedings of 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (EMNLPCoNLL), 2007, pp. 410–420. 214] a. rosenberg, j. hirschberg, “v-measure: a conditional entropythe based external cluster evaluation measure” (自然言語処理と計算自然言語学習における経験的手法 (emnlpconll), 2007 pp. 410–420). 2007年4月4日閲覧。 0.85
[215] P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” Journal of Computational and Applied Mathematics, vol. 215] P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis”. Journal of Computational and Applied Mathematics, vol. 0.43
20, pp. 53–65, 1987. pp. 53-65, 1987。 0.65
[216] A. N. [216]A。 です。 0.41
clouds: Tayyebi 雲です タイイビ(tayyebi) 0.44
and LiDAR application および LiDAR アプリケーション 0.79
point ment,” events/conferences/2 022/user-conference/ user-sessions/ 12796-ai-training-an d-inferencing-proces ses-for-lidar-classi fication. イベント/会議/2022/user-conferenc e/user-sessions/1279 6-ai-training-and-in ference-processes-fo r-lidar-classificati on。 0.24
pdf, 2021. LiDAR vegetation managehttps://www.es ri.com/content/dam/e srisites/en-us/ PDF 2021年 lidar vegetation managehttps://www.es ri.com/content/dam/e srisites/en-us/ 0.36
“Segmentation Day, in 『隔離』 日だ イン 0.53
of [217] A. Tayyebi, K. Jury, and S. Turner, “Using data science to minimize power outage due to vegetation,” https://www.esri.com /content/dam/ esrisites/en-us/even ts/conferences/2022/ user-conference/user -sessions/ 12955-using-data-sci ence-to-minimize-pow er-outages-due-to-ve getation. ですから https://www.esri.com /content/dam/ esrisites/en-us/even ts/conferences/2022/ user-conference/user -sessions/12955-usin g-data-science-to-mi nimize-power-outages -due-to-vegetation。
訳抜け防止モード: ですから [217 ]A.Tayyebi,K. Jury,S. Turner 「植生による停電を最小限にするためにデータサイエンスを利用する」 https://www.esri.com /content/dam/ esrisites / en - us / events / conferences/2022 / user - user - conference / user - session/ 12955-using - data - data - science - to - minimal - power - offages - due - vegetation.com
0.42
pdf, 2021. [218] J. Zhao, S. Maslennikov, E. Litvinov, and X. Geng, “An enhanced transmission operating guide creation framework using machine learning techniques,” in 2018 IEEE Power & Energy Society General Meeting (PESGM). PDF 2021年 J. Zhao氏、S. Maslennikov氏、E. Litvinov氏、X. Geng氏は、2018年のIEEE Power & Energy Society General Meeting (PESGM)で、"機械学習技術を使用した高度なトランスミッション操作ガイド作成フレームワーク"について述べている。
訳抜け防止モード: PDF 2021年 [218 ]J. Zhao, S. Maslennikov, E. Litvinov, そしてX. Gengは、“機械学習技術を使った高度なトランスミッション操作ガイド作成フレームワーク”だ。 2018年 IEEE Power & Energy Society General Meeting (PESGM) に参加。
0.70
IEEE, 2018, pp. 1–5. ieee、2018年、p.1-5。 0.33
[219] J. Gao, P. Chongfuangprinya, Y. Ye, and B. Yang, “A three-layer hybrid model for wind power prediction,” in 2020 IEEE Power & Energy Society General Meeting (PESGM). J. Gao, P. Chongfuangprinya, Y. Ye, and B. Yang, “A three-layer hybrid model for wind power prediction” in 2020 IEEE Power & Energy Society General Meeting (PESGM)
訳抜け防止モード: [219 ]J. Gao, P. Chongfuangprinya, Y. B. Yangは曰く、“風力発電予測のための3層ハイブリッドモデル”だ。 2020年 IEEE Power & Energy Society General Meeting (PESGM) に参加。
0.84
IEEE, 2020, pp. 1–5. 橋本、2020年、p.1-5。 0.37
[220] S. Maslennikov, B. Wang, Q. Zhang, E. Litvinov et al , “A test cases library for methods locating the sources of sustained oscillations,” in 2016 IEEE Power and Energy Society General Meeting (PESGM). 2016年のIEEE Power and Energy Society General Meeting (PESGM)では、[220]S. Maslennikov, B. Wang, Q. Zhang, E. Litvinov et al , “A test case library for locating the sources of sustained oscillations” と題されている。 0.90
IEEE, 2016, pp. 1–5. 2016年、p.1-5。 0.43
[221] X. Zheng, N. Xu, L. Trinh, D. Wu, T. Huang, S. Sivaranjani, Y. Liu, and L. Xie, “PSML: A multi-scale time-series dataset for machine learning in decarbonized energy grids,” arXiv preprint arXiv:2110.06324, 2021. X. Zheng, N. Xu, L. Trinh, D. Wu, T. Huang, S. Sivaranjani, Y. Liu, L. Xie, “PSML: A multi-scale time-series dataset for machine learning in decarbonized energy grids”, arXiv preprint arXiv:2110.06324, 2021”。
訳抜け防止モード: [221 ]X. Xheng, N. Xu, L. Trinh, D. Wu, T. Huang, S. Sivaranjani, Y. Liu, L. Xie 脱炭エネルギーグリッドにおける機械学習のためのマルチスケール時系列データセット「PSML」 arXiv preprint arXiv:2110.06324 , 2021。
0.85
[222] IEEE PES, NASPI, “2021 IEEE-NASPI oscillation source location contest.” [222]IEEE PES, NASPI, “2021 IEEE-NASPI 発振源位置コンテスト” 0.77
Available: http://web.eecs.utk. edu/∼kaisun/Oscillation/ 2021Contest/ [Online], 2021. 利用可能: http://web.eecs.utk. edu/\kaisun/Oscillat ion/2021Contest/ [オンライン], 2021 0.48
[223] A. Marot, B. Donnot, C. Romero, B. Donon, M. Lerousseau, L. VeyrinForrer, and I. Guyon, “Learning to run a power network challenge for training topology controllers,” Electric Power Systems Research, vol. 223] A. Marot, B. Donnot, C. Romero, B. Donon, M. Lerousseau, L. VeyrinForrer, I. Guyon, “Electric Power Systems Research, vol., “トポロジコントローラのトレーニングのための電力ネットワークチャレンジを実行することを学ぶ”。 0.90
189, p. 106635, 2020. 189年、p.106635、2020年。 0.67
[224] A. Marot, B. Donnot, G. Dulac-Arnold, A. Kelly, A. O’Sullivan, J. Viebahn, M. Awad, I. Guyon, P. Panciatici, and C. Romero, “Learning to run a power network challenge: A retrospective analysis,” arXiv preprint arXiv:2103.03104, 2021. A. Marot, B. Donnot, G. Dulac-Arnold, A. Kelly, A. O’Sullivan, J. Viebahn, M. Awad, I. Guyon, P. Panciatici, C. Romero, “Learning to run a power network challenge: A retrospective analysis, arXiv preprint arXiv:2103.03104, 2021”。
訳抜け防止モード: [224 ]A. Marot, B. Donnot, G. Dulac - Arnold, A. Kelly, A. O’Sullivan, J. Viebahn, M. Awad I. Guyon, P. Panciatici, C. Romero, 電力ネットワークの課題を実行するための学習 A retrospective analysis, ” arXiv preprint arXiv:2103.03104, 2021。
0.89
[225] C. Ebert, G. Gallardo, J. Hernantes, and N. Serrano, “DevOps,” IEEE C. Ebert, G. Gallardo, J. Hernantes, N. Serrano, “DevOps, IEEE 0.37
Software, vol. ソフトウェア、vol.1。 0.62
33, no. 3, pp. 94–100, 2016. 33, No. 3, pp. 94-100, 2016。 0.44
[226] L. Zhu, L. Bass, and G. Champlin-Scharff, “DevOps and its practices,” 226] L. Zhu, L. Bass, G. Champlin-Scharff, “DevOpsとその実践” 0.43
IEEE Software, vol. ieee software, vol. の略。 0.44
33, no. 3, pp. 32–34, 2016. 33, no. 3, pp. 32-34, 2016 頁。 0.42
[227] D. Sculley, G. Holt, D. Golovin, E. Davydov, T. Phillips, D. Ebner, V. Chaudhary, M. Young, J. D. Sculley, G. Holt, D. Golovin, E. Davydov, T. Phillips, D. Ebner, V. Chaudhary, M. Young, J. 0.47
-F. Crespo, and D. Dennison, “Hidden technical debt in machine learning systems,” in Advances in Neural Information Processing Systems, C. Cortes, N. Lawrence, D. Lee, M. Sugiyama, and R. Garnett, Eds. -F。 crespo氏とd. dennison氏は、neural information processing systems、c. cortes氏、n. lawrence氏、d. lee氏、m. sugiyama氏、r. garnett氏、edsの進歩について、"機械学習システムにおける技術的負債を隠(hidden technical debt in machine learning systems)"した。
訳抜け防止モード: -F。 CrespoとD. Dennisonは、“機械学習システムに技術的負債を隠した”。 In Advances in Neural Information Processing Systems, C. Cortes, N. Lawrence D. Lee, M. Sugiyama, and R. Garnett, Eds
0.65
, vol. 28. Curran Associates, Inc., 2015. ヴォル。 28. curran associates, inc., 2015年。 0.45
[Online]. Available: https://proceedings. neurips.cc/paper/201 5/ file/86df7dcfd896fcaf2 674f757a2463eba-Pape r.pdf [オンライン]。 利用可能: https://proceedings. neurips.cc/paper/201 5/ file/86df7dcfd896fca f2674f757a2463eba-pa per.pdf 0.43
[228] M. Treveil, N. Omont, C. Stenac, K. Lefevre, D. Phan, J. Zentici, A. Lavoillotte, M. Miyazaki, and L. Heidmann, Introducing MLOps. M. Treveil, N. Omont, C. Stenac, K. Lefevre, D. Phan, J. Zentici, A. Lavoillotte, M. Miyazaki, L. Heidmann, Introducing MLOps。
訳抜け防止モード: [228 ]M. Treveil, N. Omont, C. Stenac, K. Lefevre, D. Phan, J. Zentici, A. Lavoillotte 宮崎さんとハイドマンさん MLOpsの導入。
0.92
” O’Reilly Media, Inc. とO’Reilly Media, Inc。 0.75
”, 2020. ”, 2020. 0.34
英語(論文から抽出)日本語訳スコア
PROCEEDINGS OF THE IEEE 26 IEEEの成果 26 0.51
Tong Huang (Member, IEEE) is a postdoctoral researcher at Massachusetts Institute of Technology (MIT). Tong Huang (Member, IEEE) はマサチューセッツ工科大学 (MIT) の博士研究員である。 0.74
Before joining MIT, he was a postdoctoral researcher at Texas A&M University in 2021. MITに入る前、2021年にテキサスA&M大学の博士研究員だった。 0.73
He received his B.E. degree in Electrical Engineering from North China Electric Power University in 2013 and an M.S. and a Ph.D. degree in Electrical Engineering from Texas A&M University in 2017 and 2021, respectively. 2013年に北中国電力大学から電気工学のB.E.学位を、2017年にテキサスA&M大学から電気工学のM.S.とPh.D.のPh.D.を取得した。 0.79
He was a Visiting Student with the Laboratory for Information and Decision Systems, MIT, in 2018. 2018年にはMITの情報・意思決定システム研究所の客員学生となった。
訳抜け防止モード: 彼は情報・意思決定システム研究所の客員学生であった。 MIT、2018年。
0.72
His industry experience includes an internship with ISO-New England in 2018 and an internship with Mitsubishi Electric Research Laboratories in 2019. 2018年にiso-ニューイングランドでインターン、2019年に三菱電気研究所でインターンとして働いた。 0.51
He received the Best Paper Award at the 2020 IEEE PES General Meeting, the Best Paper Award at the 54-th Hawaii International Conference on System Sciences, Thomas W. Powell’62 and Powell Industries Inc. 2020年のIEEE PES General Meetingで最優秀論文賞、第54回ハワイ国際システム科学会議、Thomas W. Powell'62、パウエル・インダストリーズで最優秀論文賞を受賞した。 0.72
Fellowship, and Texas A&M Graduate Teaching Fellowship. 奨学金、テキサスa&m卒業奨学金。 0.41
[229] G. E. Karniadakis, I. G. Kevrekidis, L. Lu, P. Perdikaris, S. Wang, and L. Yang, “Physics-informed machine learning,” Nature Reviews Physics, vol. G. E. Karniadakis, I. G. Kevrekidis, L. Lu, P. Perdikaris, S. Wang, L. Yang, “Physics-informed machine learning”, Nature Reviews Physics, Vol.
訳抜け防止モード: [229 ]G. E. Karniadakis, I. G. Kevrekidis, L. Lu, P. Perdikaris, S. Wang, and L. Yang, “物理 – 情報機械学習”。 Nature Reviews Physics, Vol. を参照。
0.80
3, no. 6, pp. 422–440, 2021. 3,6, pp. 422-440, 2021。 0.67
[230] A. Nagabandi, 〔230〕A.長坂井 0.74
I. Clavera, S. Liu, R. S. Fearing, P. Abbeel, S. Levine, and C. Finn, “Learning to adapt in dynamic, real-world learning,” arXiv preprint environments through meta-reinforcement arXiv:1803.11347, 2018. I. Clavera, S. Liu, R. S. Fearing, P. Abbeel, S. Levine, C. Finn, “動的で現実世界の学習に適応するために学習する”。
訳抜け防止モード: I. Clavera, S. Liu, R. S. Fearing, P. Abbeel S. Levine, C. Finn, “ダイナミックでリアルな世界学習に適応するための学習”。 arXiv メタ-強化 arXiv:1803.11347 , 2018。
0.83
[231] K. Arndt, M. Hazara, A. Ghadirzadeh, and V. Kyrki, “Meta reinforcement learning for sim-to-real domain adaptation,” in 2020 IEEE International Conference on Robotics and Automation (ICRA). K. Arndt, M. Hazara, A. Ghadirzadeh, V. Kyrki, “Meta reinforcement learning for sim-to-real domain adapt” in 2020 IEEE International Conference on Robotics and Automation (ICRA)。
訳抜け防止モード: [231 ] K. Arndt, M. Hazara, A. Ghadirzadeh, そして V. Kyrki 氏は,“sim - to - real domain adaptation のためのメタ強化学習” だ。 2020年、IEEE International Conference on Robotics and Automation (ICRA) に参加。
0.79
IEEE, 2020, pp. 2725–2731. IEEE, 2020, pp. 2725-2731。 0.88
[232] S. L. Brunton, J. L. Proctor, and J. N. Kutz, “Discovering governing equations from data by sparse identification of nonlinear dynamical systems,” Proceedings of the National Academy of Sciences, vol. S. L. Brunton, J. L. Proctor, J. N. Kutz, “データから非線形力学系のスパース同定による支配方程式の発見”、とNational Academy of SciencesのProceedings, vol。 0.79
113, no. 15, pp. 3932–3937, 2016. 113, no. 15 pp. 3932-3937, 2016年。 0.85
AUTHORS Le Xie (Fellow, IEEE) received his B.E. degree in Electrical Engineering from Tsinghua University, Beijing, China, in 2004, an M.S. degree in Engineering Sciences from Harvard University, Cambridge, MA, USA, in 2005, and a Ph.D. degree from Carnegie Mellon University, Pittsburgh, PA, USA, in 2009. オートホーラー ル・シー(IEEE)は2004年に北京の清華大学から電気工学のB.E.学位、2005年にケンブリッジのハーバード大学から工学科学のM.S.学位、2009年にピッツバーグのカーネギーメロン大学から博士号を取得した。 0.43
He is currently a professor with the Department of Electrical and Computer Engineering, Texas A&M University, College Station, TX, USA. 現在はテキサス州のテキサスA&M大学、TXのカレッジステーションで電気・コンピュータ工学の教授を務めている。 0.71
His research interests include modeling and control of large-scale complex systems, smart grids application 彼の研究分野は、大規模複雑システムのモデリングと制御、スマートグリッドアプリケーションなどである。 0.63
with renewable energy resources, and electricity markets. 再生可能エネルギー資源や電力市場を 利用しています 0.68
Xiangtian Zheng (Graduate Student Member, IEEE) received his B.E. degree from Tsinghua University, Beijing, China, in 2017. 大学院生のXiangtian Zheng(IEEE)は2017年に北京の清華大学からB.E.の学位を取得した。 0.65
He is currently pursuing a Ph.D. degree in Electrical Engineering at Texas A&M Univerisity. 現在はテキサスA&M大学電気工学の博士号を取得している。 0.66
His industry experience includes an internship with PJM in 2019 and an internship with Mitsubishi Electric Research Laboratory in 2021. 業界経験としては、2019年のpjmインターンシップや2021年の三菱電気研究所インターンシップなどがある。 0.62
His research interests include domain knowledge-informed machine learning for power system security. 彼の研究対象は、電力システムセキュリティのためのドメイン知識情報機械学習である。 0.66
Tony Bruton (Member, IEEE) received his B.S. degree in Electrical Engineering from Texas Tech University in 2000. トニー・ブルトン(ieeeのメンバー)は2000年にテキサス工科大学で電気工学の学士号を取得した。 0.74
He began working for Oncor as a substation design engineer. 彼はOncorでサブステーション設計エンジニアとして働き始めた。 0.76
For several years, he managed Oncor’s high voltage grid in east Texas then managed the group that designed and built high voltage transmission lines. 数年間、彼はテキサス州東部でオンコーの高電圧グリッドを管理し、高圧送電線を設計・製造するグループを管理した。 0.74
He also managed the routing and acquisition of right-of-way for new Transmission lines in west Texas. テキサス州西部の新しいトランスミッション線のための経路と道路の買収も担当した。 0.65
Mr. Bruton’s current role as Director of T&D Services involves ensuring an accurate system that monitors and controls Oncor’s Transmission and Distribution systems, EMS and ADMS, as well as data analytics and operator training. bruton氏のt&dサービスのディレクターとしての現在の役割は、oncorのトランスミッションおよび配信システム、emsおよびadm、データ分析およびオペレータトレーニングを監視および制御する正確なシステムを保証することにある。 0.75
Yannan Sun (Senior member, IEEE) received her B.S. degree in Mathematics from the University of Science and Technology of China, Hefei, China, in 2004, and an M.S. degree in Statistics and a Ph.D. degree in Mathematics from Washington State University, Pullman, WA, USA, in 2007 and 2010, respectively. ヤンナン・サン(シニアメンバー、ieee)は、2004年に中国のヘフェイ大学から数学の学士号、2007年と2010年にワシントン州立大学プルマン校から統計学の修士号と数学の博士号を授与された。
訳抜け防止モード: ヤンナン・サン(シニアメンバー、ieee)は、中国科学技術大学から数学の学士号を取得した。 2004年、中国のヘフェイと、ワシントン州立大学の統計学の修士号と数学の博士号を取得した。 プルマン、ワ、アメリカ、2007年、2010年。
0.65
She was a Scientist/Senior Scientist in the Electricity Infrastructure group at Pacific Northwest National Laboratory, Richland, WA, USA, from 2010 to 2017. 2010年から2017年まで、アメリカ合衆国リッチランドのパシフィック・ノースウェスト国立研究所の電気インフラグループの科学者/シニアサイエンティストを務めた。
訳抜け防止モード: 彼女は太平洋岸北西部国立研究所の電気インフラグループの科学者/シニアサイエンティストであった。 Richland、WA、USA、2010年から2017。
0.74
She is currently a data scientist at Oncor Electric Delivery. 彼女は現在、oncor electric deliveryのデータサイエンティストである。 0.80
Her expertise lies in data analytics and machine learning using power system data, which she has employed to develop many data-driven algorithms for load forecasting, anomaly detection, connectivity correction and equipment preventive maintenance. 彼女の専門知識は、電力システムデータを用いたデータ分析と機械学習であり、負荷予測、異常検出、接続修正、機器の予防管理のための多くのデータ駆動アルゴリズムの開発に使用されている。
訳抜け防止モード: 彼女の専門分野は、電力システムデータを用いたデータ分析と機械学習だ。 負荷予測のためのデータ駆動型アルゴリズムの開発に携わった。 異常検出、接続補正及び機器予防保守
0.77
                                                     ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。