論文の概要: Physics-Guided Deep Neural Networks for Power Flow Analysis

• arxiv url: http://arxiv.org/abs/2002.00097v2
• Date: Wed, 6 Jan 2021 01:06:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:12:40.397624
• Title: Physics-Guided Deep Neural Networks for Power Flow Analysis
• Title（参考訳）: パワーフロー解析のための物理誘導深層ニューラルネットワーク
• Authors: Xinyue Hu, Haoji Hu, Saurabh Verma, Zhi-Li Zhang
• Abstract要約: 本稿では,PF(Power Flow)問題を解決する物理誘導型ニューラルネットワークを提案する。 Kirchhoffの法則とシステムトポロジーの異なる粒度を再構成されたPFモデルに符号化することにより、ニューラルネットワークに基づくPFソルバは補助タスクによって正規化される。
• 参考スコア（独自算出の注目度）: 18.761212680554863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Solving power flow (PF) equations is the basis of power flow analysis, which is important in determining the best operation of existing systems, performing security analysis, etc. However, PF equations can be out-of-date or even unavailable due to system dynamics and uncertainties, making traditional numerical approaches infeasible. To address these concerns, researchers have proposed data-driven approaches to solve the PF problem by learning the mapping rules from historical system operation data. Nevertheless, prior data-driven approaches suffer from poor performance and generalizability, due to overly simplified assumptions of the PF problem or ignorance of physical laws governing power systems. In this paper, we propose a physics-guided neural network to solve the PF problem, with an auxiliary task to rebuild the PF model. By encoding different granularity of Kirchhoff's laws and system topology into the rebuilt PF model, our neural-network based PF solver is regularized by the auxiliary task and constrained by the physical laws. The simulation results show that our physics-guided neural network methods achieve better performance and generalizability compared to existing unconstrained data-driven approaches. Furthermore, we demonstrate that the weight matrices of our physics-guided neural networks embody power system physics by showing their similarities with the bus admittance matrices.
• Abstract（参考訳）: PF(Solving Power Flow)方程式は、既存のシステムの最良の動作の決定、セキュリティ分析などを行う上で重要である、電力フロー解析の基礎である。 しかしながら、PF方程式はシステム力学や不確実性のため、時代遅れや利用できないこともあり、従来の数値的なアプローチは実現不可能である。 これらの懸念に対処するため、研究者は歴史的システム運用データからマッピングルールを学習し、pf問題を解決するためのデータ駆動アプローチを提案している。 それでも、従来のデータ駆動アプローチは、PF問題の過度に単純化された仮定や、電力システムを管理する物理法則の無視により、性能と一般化性に悩まされている。 本稿では,物理誘導型ニューラルネットワークによるPF問題の解法と,PFモデルを再構築するための補助的タスクを提案する。 kirchhoffの法則とシステムトポロジーの異なる粒度を再構成したpfモデルにエンコードすることで、ニューラルネットワークベースのpfソルバは補助タスクによって正規化され、物理法則によって制約される。 シミュレーションの結果,既存の非拘束型データ駆動手法と比較して,物理誘導型ニューラルネットワーク手法の性能と一般化性が向上した。 さらに, 物理誘導ニューラルネットワークの重み行列が, バスアミタンス行列との類似性を示すことにより, 電力系物理を具現化することを示した。

関連論文リスト

• Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [60.915127259986306]
  実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:24:56Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Enriched Physics-informed Neural Networks for Dynamic Poisson-Nernst-Planck Systems [0.8192907805418583]
  本稿では、動的Poisson-Nernst-Planck(PNP)方程式を解くために、メッシュレス深層学習アルゴリズム、EPINN(enriched Physics-informed Neural Network)を提案する。 EPINNは、従来の物理インフォームドニューラルネットワークを基盤フレームワークとして、損失関数のバランスをとるために適応的な損失重みを追加する。 数値計算の結果, 結合された非線形系の解法において, 従来の数値法よりも適用性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-01T02:57:07Z)
• Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy, Computational Cost, and Flexibility [0.0]
  物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。 本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。 そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
  論文  参考訳（メタデータ） (2023-03-15T23:53:32Z)
• Gradient-Enhanced Physics-Informed Neural Networks for Power Systems Operational Support [36.96271320953622]
  本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。 提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
  論文  参考訳（メタデータ） (2022-06-21T17:56:55Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)
• Tensor network approaches for learning non-linear dynamical laws [0.0]
  制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。 データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
  論文  参考訳（メタデータ） (2020-02-27T19:02:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。