論文の概要: Data-Driven Security Assessment of the Electric Power System
- arxiv url: http://arxiv.org/abs/2008.12429v1
- Date: Fri, 28 Aug 2020 01:37:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 02:33:04.591708
- Title: Data-Driven Security Assessment of the Electric Power System
- Title(参考訳): 電力システムのデータ駆動型セキュリティ評価
- Authors: Seyedali Meghdadi, Guido Tack, Ariel Liebman
- Abstract要約: 本研究では,短期計画のためのシステムセキュリティを考慮した新しい分解手法を提案する。
教師付き学習ツールを使用して、第1の揺動過渡安定性状態を評価するための拡張可能で効率的なガイドラインを提供する。
テストセットの安定および不安定なケースを正確に区別し、0.57%の誤差しか持たず、6.8%の誤差と平均絶対誤差を0.0145の精度で予測した。
- 参考スコア(独自算出の注目度): 6.4391595203421055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The transition to a new low emission energy future results in a changing mix
of generation and load types due to significant growth in renewable energy
penetration and reduction in system inertia due to the exit of ageing fossil
fuel power plants. This increases technical challenges for electrical grid
planning and operation. This study introduces a new decomposition approach to
account for the system security for short term planning using conventional
machine learning tools. The immediate value of this work is that it provides
extendable and computationally efficient guidelines for using supervised
learning tools to assess first swing transient stability status. To provide an
unbiased evaluation of the final model fit on the training dataset, the
proposed approach was examined on a previously unseen test set. It
distinguished stable and unstable cases in the test set accurately, with only
0.57% error, and showed a high precision in predicting the time of instability,
with 6.8% error and mean absolute error as small as 0.0145.
- Abstract(参考訳): 新たな低排出エネルギーの将来への転換は、再生可能エネルギーの浸透が著しく増加し、化石燃料発電所の老朽化によるシステム慣性が低下することによる、発生と負荷のタイプの変化をもたらす。
これにより、電力網の計画と運用の技術的課題が増大する。
本研究では,従来の機械学習ツールを用いた短期計画のためのシステムセキュリティを考慮した新しい分解手法を提案する。
この研究の直接的な価値は、教師付き学習ツールを使用して第1のスイング過渡安定状態を評価するための拡張性と計算効率のよいガイドラインを提供することである。
トレーニングデータセットに適合する最終モデルの偏りのない評価を行うため,提案手法を未確認テストセットで検討した。
このテストでは、安定かつ不安定なケースを0.57%の誤差で正確に区別し、6.8%の誤差と0.0145以下の絶対誤差で不安定な時期を予測するのに高い精度を示した。
関連論文リスト
- Self-consistent Validation for Machine Learning Electronic Structure [81.54661501506185]
機械学習と自己整合フィールド法を統合して,検証コストの低減と解釈可能性の両立を実現する。
これにより、積極的学習によるモデルの能力の探索が可能となり、実際の研究への統合への信頼がもたらされる。
論文 参考訳(メタデータ) (2024-02-15T18:41:35Z) - A Self-Commissioning Edge Computing Method for Data-Driven Anomaly
Detection in Power Electronic Systems [0.0]
現場応用のための制御されたラボ環境でうまく機能する手法は、重大な課題を提示する。
オンライン機械学習は、この問題を克服するための強力なツールだが、トレーニングプロセスの安定性と予測可能性を保証する上で、さらなる課題がもたらされる。
この研究は、これらの欠点を最小限のメモリ使用量で軽減するエッジコンピューティング手法を提案する。
論文 参考訳(メタデータ) (2023-12-05T10:56:25Z) - Deep learning based on Transformer architecture for power system
short-term voltage stability assessment with class imbalance [13.3281651745186]
実用的応用では、乱れ後の短期電圧不安定性が最小限であり、重大なクラス不均衡問題を引き起こす。
この課題に対処するために,Transformer ベースの STVSA 手法を提案する。
不均衡データセットの負の影響に対処するために、この研究は勾配ペナルティを持つ条件付きワッサーシュタイン生成逆数ネットワークを用いる。
論文 参考訳(メタデータ) (2023-10-18T03:36:10Z) - Conservative Prediction via Data-Driven Confidence Minimization [66.35245313125934]
機械学習モデルのエラーは、特に医療のような安全クリティカルな領域では、コストがかかる。
本稿では、不確実性データセットに対する信頼性を最小化するデータ駆動型信頼性最小化(DCM)を提案する。
実験の結果、DCMは8つのID-OODデータセットペアに対して、最先端のOOD検出方法よりも一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep
Staging [61.6346401960268]
プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。
不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
論文 参考訳(メタデータ) (2023-06-07T08:27:36Z) - Adapting to Continuous Covariate Shift via Online Density Ratio
Estimation [90.62832273403077]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
我々の目標は、予測者が時間とともに蓄積される予測リスクを最小限に抑えるように、適応的に予測者を訓練することである。
論文 参考訳(メタデータ) (2023-02-06T04:03:33Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-23T16:56:37Z) - Versatile and Robust Transient Stability Assessment via Instance
Transfer Learning [6.760999627905228]
本稿では,電力系統力学の知識を取り入れたデータ駆動型アルゴリズムに新たなデータ収集手法を提案する。
不安定領域に関する重要な情報を提供する断層影響領域という新しい概念を導入する。
IEEE 39バスシステムのテスト結果は、このモデルがこれまで見つからなかった運用シナリオの安定性を正確に予測できることを検証します。
論文 参考訳(メタデータ) (2021-02-20T09:10:29Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳(メタデータ) (2020-07-07T10:00:32Z)
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。