論文の概要: Evaluating Machine Learning Models for the Fast Identification of
Contingency Cases
- arxiv url: http://arxiv.org/abs/2008.09384v1
- Date: Fri, 21 Aug 2020 09:24:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 20:43:30.759029
- Title: Evaluating Machine Learning Models for the Fast Identification of
Contingency Cases
- Title(参考訳): 同時事例の高速同定のための機械学習モデルの評価
- Authors: Florian Schaefer, Jan-Hendrik Menke, Martin Braun
- Abstract要約: 電力フロー結果の高速な近似は、電力系統計画と実運用において有益である。
計画においては、複数年ごとに数百万の電力フロー計算が必要であり、異なる制御戦略や緊急ポリシーを考慮する必要がある。
ライブ操作では、グリッドオペレータは、グリッド状態が短時間で緊急要求に準拠するかどうかを評価する必要がある。
- 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: Fast approximations of power flow results are beneficial in power system
planning and live operation. In planning, millions of power flow calculations
are necessary if multiple years, different control strategies or contingency
policies are to be considered. In live operation, grid operators must assess if
grid states comply with contingency requirements in a short time. In this
paper, we compare regression and classification methods to either predict
multi-variable results, e.g. bus voltage magnitudes and line loadings, or
binary classifications of time steps to identify critical loading situations.
We test the methods on three realistic power systems based on time series in 15
min and 5 min resolution of one year. We compare different machine learning
models, such as multilayer perceptrons (MLPs), decision trees, k-nearest
neighbours, gradient boosting, and evaluate the required training time and
prediction times as well as the prediction errors. We additionally determine
the amount of training data needed for each method and show results, including
the approximation of untrained curtailment of generation. Regarding the
compared methods, we identified the MLPs as most suitable for the task. The
MLP-based models can predict critical situations with an accuracy of 97-98 %
and a very low number of false negative predictions of 0.0-0.64 %.
- Abstract(参考訳): 電力フロー結果の高速近似は、電力系統計画と実稼働に有用である。
計画では、数年で異なる制御戦略や偶発政策が検討されれば、数百万の電力フロー計算が必要となる。
ライブ操作では、グリッドオペレータは、グリッド状態が短時間で緊急要求を満たすかどうかを評価する必要がある。
本稿では,回帰法と分類法を比較し,バス電圧やラインの負荷など多変量結果を予測するか,重要な負荷状況を特定するための時間ステップのバイナリ分類を行う。
本手法は,1年15分,5分で時系列に基づく3つの現実的な電力系統で検証する。
我々は、多層パーセプトロン(MLP)、決定木、k-アネレスト近傍、勾配向上など、さまざまな機械学習モデルを比較し、必要なトレーニング時間と予測時間と予測誤差を評価する。
さらに,各手法に必要なトレーニングデータの量を決定し,生成の未学習削減の近似を含む結果を示す。
比較手法では,MLPをタスクに適したものとして同定した。
mlpに基づくモデルは、97-98 %の精度と0.0-0.64 %の非常に低い偽陰性予測で臨界状況を予測できる。
関連論文リスト
- Acquiring Better Load Estimates by Combining Anomaly and Change-point Detection in Power Grid Time-series Measurements [0.49478969093606673]
提案手法は,可視データに対する堅牢かつ一般化可能な性能を確保しつつ,解釈可能性の優先順位付けを行う。
その結果, 濾過が適用されない場合に, 洗浄電位が明らかになることが示唆された。
我々の方法論の解釈可能性によって、重要なインフラ計画に特に適しています。
論文 参考訳(メタデータ) (2024-05-25T10:15:51Z) - Uncertainty-aware Sampling for Long-tailed Semi-supervised Learning [89.98353600316285]
擬似ラベルサンプリングのモデル化プロセスに不確実性を導入し、各クラスにおけるモデル性能が異なる訓練段階によって異なることを考慮した。
このアプローチにより、モデルは異なる訓練段階における擬似ラベルの不確かさを認識でき、それによって異なるクラスの選択閾値を適応的に調整できる。
FixMatchのような他の手法と比較して、UDTSは自然シーン画像データセットの精度を少なくとも5.26%、1.75%、9.96%、1.28%向上させる。
論文 参考訳(メタデータ) (2024-01-09T08:59:39Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Learning for Interval Prediction of Electricity Demand: A Cluster-based
Bootstrapping Approach [2.2940141855172036]
Microgridのような小さなアグリゲーションロード設定でオペレーションを管理するには、インターバル推定が必要である。
本稿では,日頭電力需要の間隔推定を行う残余ブートストラップアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-04T03:45:28Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Machine Learning Methods for Spectral Efficiency Prediction in Massive
MIMO Systems [0.0]
本研究では,特定のプリコーディング方式のスペクトル効率(SE)値を最短時間で推定する機械学習手法について検討する。
平均パーセンテージ誤差(MAPE)の最も良い結果は、ソートされた特徴よりも勾配が上昇し、線形モデルは予測精度が悪くなることを示す。
そこで本研究では,Quadrigaシミュレータによって生成される幅広いシナリオにおける提案アルゴリズムの実用性について検討する。
論文 参考訳(メタデータ) (2021-12-29T07:03:10Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - Multi-Loss Sub-Ensembles for Accurate Classification with Uncertainty
Estimation [1.2891210250935146]
本稿では,ディープニューラルネットワーク(DNN)の高精度な不確実性推定手法を提案する。
我々は,Deep-Sub-Ensembles法によって提案される利点を利用して,推定時間を比較的低く保つ。
その結果,いくつかの不確実性対策における分類課題と競争結果の精度が向上した。
論文 参考訳(メタデータ) (2020-10-05T10:59:11Z) - Real-Time Regression with Dividing Local Gaussian Processes [62.01822866877782]
局所ガウス過程は、ガウス過程の回帰に基づく新しい、計算効率の良いモデリング手法である。
入力空間の反復的データ駆動分割により、実際にはトレーニングポイントの総数において、サブ線形計算複雑性が達成される。
実世界のデータセットに対する数値的な評価は、予測と更新の速度だけでなく、精度の点で他の最先端手法よりも有利であることを示している。
論文 参考訳(メタデータ) (2020-06-16T18:43:31Z)
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。