論文の概要: Data-driven Operation of the Resilient Electric Grid: A Case of COVID-19
- arxiv url: http://arxiv.org/abs/2010.01746v3
- Date: Sun, 27 Dec 2020 02:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 22:08:13.680632
- Title: Data-driven Operation of the Resilient Electric Grid: A Case of COVID-19
- Title(参考訳): データ駆動型レジリエントグリッドの運用--COVID-19の事例から
- Authors: Hossein Noorazar, Anurag. k. Srivastava, K. Sadanandan Sajan, Sanjeev
Pannala
- Abstract要約: パンデミック・新型コロナウイルス(COVID-19)は、労働力の混乱、サプライチェーンの中断、サイバーセキュリティの脅威の増加によるエネルギー信頼性のリスクを高めている。
パンデミックは、自然災害、前例のない停電、老朽化した電力網、分散世代の増加、サイバー攻撃など、他の極端な出来事の存在下で、グリッド運用にかなりの不確実性をもたらす。
- 参考スコア(独自算出の注目度): 0.20999222360659608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electrical energy is a vital part of modern life, and expectations for grid
resilience to allow a continuous and reliable energy supply has tremendously
increased even during adverse events (e.g., Ukraine cyber-attack, Hurricane
Maria). The global pandemic COVID-19 has raised the electric energy reliability
risk due to potential workforce disruptions, supply chain interruptions, and
increased possible cybersecurity threats. The pandemic introduces a significant
degree of uncertainly to the grid operation in the presence of other extreme
events like natural disasters, unprecedented outages, aging power grids, high
proliferation of distributed generation, and cyber-attacks. This situation
increases the need for measures for the resiliency of power grids to mitigate
the impacts of the pandemic as well as simultaneous extreme events. Solutions
to manage such an adverse scenario will be multi-fold: a) emergency planning
and organizational support, b) following safety protocol, c) utilizing enhanced
automation and sensing for situational awareness, and d) integration of
advanced technologies and data points for ML-driven enhanced decision support.
Enhanced digitalization and automation resulted in better network visibility at
various levels, including generation, transmission, and distribution. These
data or information can be utilized to take advantage of advanced machine
learning techniques for automation and increased power grid resilience. In this
paper, a) we review the impact of COVID-19 on power grid operations and actions
taken by operators/organizations to minimize the impact of COVID-19, and b) we
have presented the recently developed tool and concepts using natural language
processing (NLP) in the domain of machine learning and artificial intelligence
that can be used for increasing resiliency of power systems in normal and in
extreme scenarios such as COVID-19 pandemics.
- Abstract(参考訳): 電気エネルギーは現代の生活の重要な部分であり、持続的で信頼性の高いエネルギー供給を可能にするグリッドレジリエンスへの期待は、有害な出来事(例:ウクライナのサイバー攻撃、ハリケーン・マリア)でも著しく高まった。
世界的なパンデミック(covid-19)は、労働力の混乱やサプライチェーンの中断、サイバーセキュリティの脅威の増加などによる電力信頼性のリスクを高めた。
パンデミックは、自然災害、前例のない停電、老朽化した電力網、分散世代の増加、サイバー攻撃など、他の極端な出来事の存在下で、グリッド運用にかなりの不確実性をもたらす。
この状況は、パンデミックの影響を軽減し、同時に極端な出来事を同時に起こすための電力グリッドの弾力性対策の必要性を高める。
このような悪いシナリオを管理するためのソリューションは、多岐にわたるでしょう。
a) 緊急計画及び組織的支援
b) 安全手順に従うこと
c) 状況把握のための自動化及びセンシングの強化活用
d) ML駆動による意思決定支援のための高度な技術とデータポイントの統合。
デジタル化と自動化の強化により、生成、送信、配信など、さまざまなレベルでネットワークの可視性が向上した。
これらのデータや情報は、自動化と電力グリッドのレジリエンス向上のための高度な機械学習技術を活用するために利用することができる。
この論文では
a) 新型コロナウイルスの影響を最小限に抑えるため、事業者・組織が行う電力網運営及び行動に対するCOVID-19の影響を概観する。
b) 機械学習と人工知能の分野において自然言語処理(NLP)を用いた最近開発されたツールと概念を提示した。これは、通常および新型コロナウイルスのパンデミックのような極端なシナリオにおいて、電力システムのレジリエンスを高めるのに使用できる。
関連論文リスト
- Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳(メタデータ) (2023-09-23T00:05:39Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳(メタデータ) (2023-08-08T04:52:19Z) - Cybersecurity Challenges of Power Transformers [3.509488301177195]
情報、データ分析、通信システムへの新たな電力グリッド技術への依存は、全電力ネットワークをサイバー脅威に脆弱にする。
電力トランスは電力グリッドの中で重要な役割を担い、現在では工場のアドオンやインテリジェントな監視システムを通じて拡張されている。
本稿では,電力ネットワークにおける電力変圧器の脆弱性と攻撃ベクトル,攻撃シナリオ,攻撃の危険性について検討する。
論文 参考訳(メタデータ) (2023-02-25T21:08:59Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳(メタデータ) (2022-11-29T01:18:58Z) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳(メタデータ) (2022-11-14T01:29:09Z) - Evaluating the Planning and Operational Resilience of Electrical
Distribution Systems with Distributed Energy Resources using Complex Network
Theory [0.0]
本稿では,極端事象下での配電系統の計画と運用のレジリエンスを評価する手法を提案する。
提案するフレームワークは,複雑なネットワーク理論を効果的に活用して開発されている。
論文 参考訳(メタデータ) (2022-08-24T13:41:37Z) - Web-Based Platform for Evaluation of Resilient and Transactive
Smart-Grids [0.0]
トランスアクティブ・エナジー(TE)は、経済・制御技術を通じて、スマートグレードにおけるDERの増加を管理するための新たなアプローチである。
我々は、様々なサイバー攻撃や物理的攻撃に対して、スマートグリッドのレジリエンスを評価するための包括的Webベースのプラットフォームを提案する。
論文 参考訳(メタデータ) (2022-06-11T15:34:33Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳(メタデータ) (2022-06-08T07:48:42Z) - PSML: A Multi-scale Time-series Dataset for Machine Learning in
Decarbonized Energy Grids [11.03026038752202]
PSMLはオープンアクセス型マルチスケール時系列データセットである。
我々は,将来の電力網の信頼性向上に向けたデータ駆動機械学習(ML)手法の開発を支援するためにPSMLを提案する。
このデータセットは、動的システムにおけるMLの進歩を可能にすると同時に、ML研究者がカーボンニュートラル電気と移動性に貢献できることを期待している。
論文 参考訳(メタデータ) (2021-10-12T20:18:49Z) - Towards Energy-Efficient and Secure Edge AI: A Cross-Layer Framework [13.573645522781712]
ディープニューラルネットワーク(DNN)とスパイクニューラルネットワーク(SNN)は、リソース制約されたエッジデバイスに対して最先端の結果を提供する。
これらのシステムは、様々なセキュリティと信頼性の脅威の下で、正しい機能を維持する必要がある。
本稿では、まず、異なるシステム層におけるエネルギー効率、信頼性、セキュリティ問題に対処するための既存のアプローチについて論じる。
論文 参考訳(メタデータ) (2021-09-20T20:22:56Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
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。