Fugu-MT 論文翻訳(概要): Data-driven Operation of the Resilient Electric Grid: A Case of COVID-19

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

Data Poisoning: An Overlooked Threat to Power Grid Resilience [0.41232474244672235]
我々は、最も一般的な敵対的破壊のタイプである、回避と毒殺の破壊についてレビューする。これは、モデルトレーニングが安全であるという基本的な前提のためであり、研究された破壊の第一のタイプである回避的破壊につながっている。データ中毒の介入の影響を調べ、電力グリッドのレジリエンスをいかに危険にさらすかを示す。
論文参考訳（メタデータ） (2024-07-19T22:00:52Z)
SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文参考訳（メタデータ） (2024-07-17T09:01:38Z)
GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
論文参考訳（メタデータ） (2024-05-20T14:43:46Z)
Physics-Informed Heterogeneous Graph Neural Networks for DC Blocker Placement [7.404135200545133]
物理インフォームド・ヘテロジニアスグラフニューラルネットワーク(PIHGNN)を開発した。我々のアプローチは、異種グラフニューラルネットワーク(HGNN)と物理インフォームドニューラルネットワーク(PINN)を組み合わせて、ac/dcネットワークの様々な種類のノードとエッジを捕捉し、電力グリッドの物理法則を組み込む。
論文参考訳（メタデータ） (2024-05-16T18:33:35Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Demand-Side Threats to Power Grid Operations from IoT-Enabled Edge [6.437501851914223]
IoT(Internet-of-Things)対応のエネルギスマートアプライアンス(ESA)をコンシューマの端で採用するにつれ、需要側対応(DSR)サービスを実現する上で重要なものと見なされている。これらのスマートアプライアンスは、セキュリティの観点からは設計が貧弱で、電力グリッドオペレーションに対する新たな脅威となることが多い。ユーティリティサイドやSCADAの資産とは異なり、ESAは、その多さと、消費者サイトにおける広範な監視インフラの欠如により、継続的に監視されることはない。
論文参考訳（メタデータ） (2023-10-28T20:56:43Z)
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)
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。