論文の概要: Hot-Starting the Ac Power Flow with Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2004.09342v1
- Date: Mon, 20 Apr 2020 14:42:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 19:23:05.531775
- Title: Hot-Starting the Ac Power Flow with Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークによるアクパワーフローのホットスタート
- Authors: Liangjie Chen and Joseph Euzebe Tate
- Abstract要約: NRベースACPFモデルの解の繰り返し時間と時間を減少させる初期バス電圧の大きさと位相値を求める枠組みを提案する。
負荷負荷分布からサンプリングすることで,1D CNNのトレーニングに使用するデータセットを生成する。
IEEE 118-bus と textscPegase 2869-bus の研究では,解時間 33.56% と 30.06% の削減が達成できた。
- 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: Obtaining good initial conditions to solve the Newton-Raphson (NR) based ac
power flow (ACPF) problem can be a very difficult task. In this paper, we
propose a framework to obtain the initial bus voltage magnitude and phase
values that decrease the solution iterations and time for the NR based ACPF
model, using the dc power flow (DCPF) results and one dimensional convolutional
neural networks (1D CNNs). We generate the dataset used to train the 1D CNNs by
sampling from a distribution of load demands, and by computing the DCPF and
ACPF results for each sample. Experiments on the IEEE 118-bus and
\textsc{Pegase} 2869-bus study systems show that we can achieve 33.56\% and
30.06\% reduction in solution time, and 66.47% and 49.52% reduction in solution
iterations per case, respectively. We include the 1D CNN architectures and the
hyperparameters used, which can be expanded on by the future studies on this
topic.
- Abstract(参考訳): Newton-Raphson (NR) ベースのACPF (ACPF) 問題を解決するための優れた初期条件を確保することは、非常に難しい作業である。
本稿では、DCPF(dc Power Flow)結果と1次元畳み込みニューラルネットワーク(1次元CNN)を用いて、NRベースのACPFモデルの解の繰り返しと時間を減少させる初期バス電圧の大きさと位相値を求める枠組みを提案する。
我々は,負荷要求分布からサンプリングし,サンプル毎にDCPFとACPFの結果を計算することで,1D CNNのトレーニングに使用されるデータセットを生成する。
IEEE 118-bus と \textsc{Pegase} 2869-bus の研究では、それぞれ33.56\% と 30.06\% の解時間を、66.47% と 49.52% の解反復を減らすことが示されている。
1D CNNアーキテクチャと使用されるハイパーパラメータが含まれており、このトピックに関する今後の研究によって拡張することができる。
関連論文リスト
- Towards Generalized Entropic Sparsification for Convolutional Neural Networks [0.0]
畳み込みニューラルネットワーク(CNN)は過度にパラメータ化されていると報告されている。
本稿では,計算可能エントロピー緩和を目的とした数学的アイデアに基づく層間データ駆動プルーニング手法を提案する。
スパースサブネットワークは、ネットワークエントロピー最小化をスペーサ性制約として使用した、事前訓練された(フル)CNNから得られる。
論文 参考訳(メタデータ) (2024-04-06T21:33:39Z) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳(メタデータ) (2023-08-24T02:28:18Z) - Attention-based Feature Compression for CNN Inference Offloading in Edge
Computing [93.67044879636093]
本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。
エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。
実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
論文 参考訳(メタデータ) (2022-11-24T18:10:01Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Direction of Arrival Estimation of Sound Sources Using Icosahedral CNNs [10.089520556398574]
Icosahedral Convolutional Neural Network (CNN) に基づく音源の指向性(DOA)推定の新しいモデルを提案する。
このイコサヘドラルCNNは、球状回転の連続空間のよい近似を示すイコサヘドロンの60回転対称性に同値である。
問題の等式に適合するモデルを使用することで、計算コストの低減とロバスト性の向上により、他の最先端モデルよりも優れることを示す。
論文 参考訳(メタデータ) (2022-03-31T10:52:19Z) - A Passive Similarity based CNN Filter Pruning for Efficient Acoustic
Scene Classification [23.661189257759535]
音響シーン分類(ASC)のための低複雑さ畳み込みニューラルネットワーク(CNN)の開発手法を提案する。
本稿では,CNNからの畳み込みフィルタを除去し,圧縮したCNNを生成するパッシブ・フィルタ・プルーニング・フレームワークを提案する。
提案手法は単純で,パラメータが25%少なく,精度が1%以下で,推論当たりの計算量を27%削減する。
論文 参考訳(メタデータ) (2022-03-29T17:00:06Z) - On the Tradeoff between Energy, Precision, and Accuracy in Federated
Quantized Neural Networks [68.52621234990728]
無線ネットワーク上でのフェデレーション学習(FL)は、精度、エネルギー効率、精度のバランスをとる必要がある。
本稿では,ローカルトレーニングとアップリンク伝送の両方において,有限レベルの精度でデータを表現できる量子化FLフレームワークを提案する。
我々のフレームワークは標準的なFLモデルと比較してエネルギー消費量を最大53%削減できる。
論文 参考訳(メタデータ) (2021-11-15T17:00:03Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-03-27T00:45:23Z) - Normalized Convolution Upsampling for Refined Optical Flow Estimation [23.652615797842085]
正常化された畳み込みのUPsampler (NCUP)は光学流れCNNsの訓練の間にフル レゾリューションの流れを作り出す有効な共同アップサンプリングのアプローチです。
提案手法では,アップサンプリングタスクをスパース問題として定式化し,正規化畳み込みニューラルネットワークを用いて解く。
6%のエラー低減とKITTIデータセットのオンパーで、Sintelベンチマークの最新の結果を達成し、パラメータを7.5%削減します。
論文 参考訳(メタデータ) (2021-02-13T18:34:03Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳(メタデータ) (2020-09-09T03:28:57Z)
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。