論文の概要: Smart Grid: A Survey of Architectural Elements, Machine Learning and Deep Learning Applications and Future Directions

• arxiv url: http://arxiv.org/abs/2010.08094v1
• Date: Fri, 16 Oct 2020 01:40:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 20:11:12.344668
• Title: Smart Grid: A Survey of Architectural Elements, Machine Learning and Deep Learning Applications and Future Directions
• Title（参考訳）: Smart Grid: アーキテクチャ要素,マシンラーニング,ディープラーニングアプリケーションに関する調査と今後の方向性
• Authors: Navod Neranjan Thilakarathne, Mohan Krishna Kagita, Dr. Surekha Lanka, Hussain Ahmad
• Abstract要約: ビッグデータ分析、機械学習(ML)、ディープラーニング(DL)は、この膨大なデータの分析と貴重な洞察の生成において重要な役割を果たす。 本稿では、スマートグリッドのコンテキストにおいて、スマートグリッドアーキテクチャ要素、機械学習、ディープラーニングベースのアプリケーションおよびアプローチを調査し、調査する。
• 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: The Smart grid (SG), generally known as the next-generation power grid emerged as a replacement for ill-suited power systems in the 21st century. It is in-tegrated with advanced communication and computing capabilities, thus it is ex-pected to enhance the reliability and the efficiency of energy distribution with minimum effects. With the massive infrastructure it holds and the underlying communication network in the system, it introduced a large volume of data that demands various techniques for proper analysis and decision making. Big data analytics, machine learning (ML), and deep learning (DL) plays a key role when it comes to the analysis of this massive amount of data and generation of valuable insights. This paper explores and surveys the Smart grid architectural elements, machine learning, and deep learning-based applications and approaches in the context of the Smart grid. In addition in terms of machine learning-based data an-alytics, this paper highlights the limitations of the current research and highlights future directions as well.
• Abstract（参考訳）: 次世代電力網として知られるスマートグリッド(sg)は、21世紀に不適合電力システムの代替として登場した。 高度な通信能力と計算能力を備えており、最小効果でエネルギー分布の信頼性と効率を高めることが期待されている。 システム内の巨大なインフラストラクチャと基盤となる通信ネットワークによって、適切な分析と意思決定のためにさまざまな技術を必要とする大量のデータを導入した。 ビッグデータ分析、機械学習(ML)、ディープラーニング(DL)は、この膨大なデータの分析と貴重な洞察の生成において重要な役割を果たす。 本稿では、スマートグリッドのコンテキストにおけるスマートグリッドアーキテクチャ要素、機械学習、ディープラーニングベースのアプリケーションとアプローチを調査し、調査する。 機械学習に基づくデータ分析の観点に加えて、本論文は現在の研究の限界を強調し、今後の方向性も強調する。

関連論文リスト

• Power Plays: Unleashing Machine Learning Magic in Smart Grids [0.0]
  機械学習アルゴリズムは、スマートメーター、センサー、その他のグリッドコンポーネントから大量のデータを分析して、エネルギー分布の最適化、需要予測、潜在的な障害を示す不規則性の検出を行う。 予測モデルの使用は、機器の故障を予測し、エネルギー供給の信頼性を向上させるのに役立つ。 しかしながら、これらのテクノロジの展開は、データのプライバシやセキュリティ、堅牢なインフラストラクチャの必要性に関する課題も引き起こす。
  論文  参考訳（メタデータ） (2024-10-20T15:39:08Z)
• Foundation Models for the Electric Power Grid [53.02072064670517]
  ファンデーションモデル(FM)がニュースの見出しを支配している。 多様なグリッドデータやトポロジからFMを学習することで、トランスフォーメーション能力が解放されるのではないか、と私たちは主張する。 本稿では,グラフニューラルネットワークに基づく電力グリッドFMの概念,すなわちGridFMについて論じる。
  論文  参考訳（メタデータ） (2024-07-12T17:09:47Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Federated Learning for Energy Constrained IoT devices: A systematic mapping study [0.0]
  Federated Machine Learning (Fed ML)は、グローバルモデルの協調トレーニングに使用される、新しい分散機械学習技術である。 Fed MLは、その機密性を保証する。ネットワークセキュリティの重要な側面であり、データに敏感なIoT(Internet of Things)のコンテキストで使用することができる。 ほとんどのIoTデバイスは特にエネルギーに制約があるため、効率的なトレーニングタスクと電力消費の最適化のためにFed MLプロセスを最適化する必要が生じる。
  論文  参考訳（メタデータ） (2023-01-09T23:30:32Z)
• A survey on the development status and application prospects of knowledge graph in smart grids [7.070357628640114]
  電力知識グラフは、巨大な電力資源と知的アプリケーションに対する継続的な需要の矛盾を解決する機会を提供する。 この研究はまず、知識駆動型インテリジェントアプリケーション統合に関する総合的研究を提示する。 次に、スマートグリッドにおける知識グラフの概要を紹介し、さらに、スマートグリッドとクリティカルテクノロジーのためのビッグナレッジグラフプラットフォームのアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2022-11-02T05:57:05Z)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
  本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。 フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。 我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
  論文  参考訳（メタデータ） (2022-02-28T05:27:22Z)
• Knowledge- and Data-driven Services for Energy Systems using Graph Neural Networks [0.9809636731336702]
  グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。 このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。 実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
  論文  参考訳（メタデータ） (2021-03-12T13:00:01Z)
• Towards Self-learning Edge Intelligence in 6G [143.1821636135413]
  エッジインテリジェンス(エッジインテリジェンス、Edge Intelligence、別名エッジネイティブ人工知能(AI))は、AI、通信ネットワーク、モバイルエッジコンピューティングのシームレスな統合に焦点を当てた新興技術フレームワークである。 本稿では、6GにおけるエッジネイティブAIの重要な要件と課題を特定する。
  論文  参考訳（メタデータ） (2020-10-01T02:16:40Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。