Fugu-MT 論文翻訳(概要): Gaussian Process Learning-based Probabilistic Optimal Power Flow

論文の概要: Gaussian Process Learning-based Probabilistic Optimal Power Flow

arxiv url: http://arxiv.org/abs/2004.07757v1
Date: Thu, 16 Apr 2020 16:49:31 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 22:13:09.048400
Title: Gaussian Process Learning-based Probabilistic Optimal Power Flow
Title（参考訳）: ガウス過程学習に基づく確率的最適潮流
Authors: Parikshit Pareek and Hung D. Nguyen
Abstract要約: 提案手法はガウス過程 (GP) と呼ばれる非パラメトリックベイズ推論に基づく不確実性伝播手法に依存する。提案手法は, モンテカルロシミュレーション (MCS) 法と比較して, 不確実な不確かさと負荷不確かさのレベルが異なる場合に, 合理的に正確な解を提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this letter, we present a novel Gaussian Process Learning-based Probabilistic Optimal Power Flow (GP-POPF) for solving POPF under renewable and load uncertainties of arbitrary distribution. The proposed method relies on a non-parametric Bayesian inference-based uncertainty propagation approach, called Gaussian Process (GP). We also suggest a new type of sensitivity called Subspace-wise Sensitivity, using observations on the interpretability of GP-POPF hyperparameters. The simulation results on 14-bus and 30-bus systems show that the proposed method provides reasonably accurate solutions when compared with Monte-Carlo Simulations (MCS) solutions at different levels of uncertain renewable penetration as well as load uncertainties, while requiring much less number of samples and elapsed time.
Abstract（参考訳）: 本稿では, POPF を再生可能かつ負荷不確実な任意の分布下で解くためのガウスプロセス学習に基づく確率的最適潮流(GP-POPF)を提案する。提案手法はガウス過程 (GP) と呼ばれる非パラメトリックベイズ推論に基づく不確実性伝播手法に依存する。また,GP-POPFハイパーパラメータの解釈可能性の観察から,サブスペースワイド感度と呼ばれる新しい感度の指標を提案する。 14-busおよび30-busシステムを用いたシミュレーションの結果,本手法は,不確かさと負荷の不確実さのレベルが異なるモンテカルロシミュレーション (mcs) ソリューションと比較して,より少ないサンプル数と経過時間を必要とする場合に,合理的に正確な解が得られることがわかった。

関連論文リスト

Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文参考訳（メタデータ） (2024-02-13T09:40:19Z)
Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文参考訳（メタデータ） (2024-02-05T02:54:50Z)
Entropic Matching for Expectation Propagation of Markov Jump Processes [38.60042579423602]
本稿では,エントロピックマッチングフレームワークに基づく新たなトラクタブル推論手法を提案する。簡単な近似分布の族に対して閉形式の結果を提供することにより,本手法の有効性を実証する。我々は、近似予測法を用いて、基礎となるパラメータの点推定のための式を導出する。
論文参考訳（メタデータ） (2023-09-27T12:07:21Z)
Neural Operator Variational Inference based on Regularized Stein Discrepancy for Deep Gaussian Processes [23.87733307119697]
本稿では,深いガウス過程に対するニューラル演算子変分推論(NOVI)を提案する。 NOVIは、ニューラルジェネレータを使用してサンプリング装置を取得し、生成された分布と真の後部の間のL2空間における正規化スタインの離散性を最小化する。提案手法が提案するバイアスは定数で発散を乗算することで制御可能であることを示す。
論文参考訳（メタデータ） (2023-09-22T06:56:35Z)
Noise-Free Sampling Algorithms via Regularized Wasserstein Proximals [3.4240632942024685]
ポテンシャル関数が支配する分布からサンプリングする問題を考察する。本研究は, 決定論的な楽譜に基づくMCMC法を提案し, 粒子に対する決定論的進化をもたらす。
論文参考訳（メタデータ） (2023-08-28T23:51:33Z)
Piecewise Deterministic Markov Processes for Bayesian Neural Networks [20.865775626533434]
現代のベイズニューラルネットワーク(BNN)の推論は、しばしば変分推論処理に依存し、独立性や後部の形態に反する仮定を示唆する。新しいPiecewise Deterministic Markov Process (PDMP) サンプリングはサブサンプリングを許容するが、サンプリングが難しい不均一なPoisson Process (IPP) モデルを導入する。本研究はIPPからのサンプリングのための新しい汎用的かつ適応的なスライニング手法を導入し、BNNにおける推論のためのPDMPの適用をいかに加速するかを示す。
論文参考訳（メタデータ） (2023-02-17T06:38:16Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
Variational methods for simulation-based inference [3.308743964406687]
逐次ニューラル変分推論(SNVI)は、難易度のあるモデルにおいてベイズ推論を行うためのアプローチである。 SNVIは、確率推定と変分推論を組み合わせることで、スケーラブルなシミュレーションベースの推論アプローチを実現する。
論文参考訳（メタデータ） (2022-03-08T16:06:37Z)
Variational Refinement for Importance Sampling Using the Forward Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文参考訳（メタデータ） (2021-06-30T11:00:24Z)
Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文参考訳（メタデータ） (2021-03-15T16:16:18Z)
Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文参考訳（メタデータ） (2020-06-18T14:24:05Z)

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。