論文の概要: A Secure Deep Probabilistic Dynamic Thermal Line Rating Prediction

• arxiv url: http://arxiv.org/abs/2011.12713v1
• Date: Sat, 21 Nov 2020 23:20:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 23:48:35.986089
• Title: A Secure Deep Probabilistic Dynamic Thermal Line Rating Prediction
• Title（参考訳）: 深部確率的動的熱ラインレーティング予測
• Authors: N. Safari, S.M. Mazhari, C.Y. Chung, S.B. Ko
• Abstract要約: 本稿では、動的熱線評価(DTLR)の時差予測のための安全かつ鋭い確率予測モデルを提案する。 提案したDTLRのセキュリティは、実際のDTLRを超えるDTLR予測の頻度を制限する。 カスタマイズされたコスト関数を導入することで、ディープニューラルネットワークは、要求される超過確率に基づいてDTLRセキュリティを検討するように訓練される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate short-term prediction of overhead line (OHL) transmission ampacity can directly affect the efficiency of power system operation and planning. Any overestimation of the dynamic thermal line rating (DTLR) can lead to lifetime degradation and failure of OHLs, safety hazards, etc. This paper presents a secure yet sharp probabilistic prediction model for the hour-ahead forecasting of the DTLR. The security of the proposed DTLR limits the frequency of DTLR prediction exceeding the actual DTLR. The model is based on an augmented deep learning architecture that makes use of a wide range of predictors, including historical climatology data and latent variables obtained during DTLR calculation. Furthermore, by introducing a customized cost function, the deep neural network is trained to consider the DTLR security based on the required probability of exceedance while minimizing deviations of the predicted DTLRs from the actual values. The proposed probabilistic DTLR is developed and verified using recorded experimental data. The simulation results validate the superiority of the proposed DTLR compared to state-of-the-art prediction models using well-known evaluation metrics.
• Abstract（参考訳）: オーバヘッドライン(OHL)伝送アンパチーの正確な短期予測は、電力系統の運用と計画の効率に直接影響を与える。 動的熱線評価(DTLR)の過大評価は、OHLの寿命劣化や故障、安全リスクなどを引き起こす可能性がある。 本稿ではDTLRの時差予測のための安全かつ鋭い確率予測モデルを提案する。 提案したDTLRのセキュリティは、実際のDTLRを超えるDTLR予測の頻度を制限する。 このモデルは、DTLR計算中に得られた過去の気候データや潜伏変数を含む、幅広い予測器を利用する拡張ディープラーニングアーキテクチャに基づいている。 さらに、カスタマイズされたコスト関数を導入することにより、予測されたDTLRの実際の値との偏差を最小限に抑えながら、必要となる超過確率に基づいてDTLRセキュリティを検討するように訓練する。 提案する確率DTLRを実験データを用いて開発,検証した。 シミュレーションの結果, 既知評価指標を用いた最先端予測モデルと比較し, DTLRの優位性を検証した。

関連論文リスト

• Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
  本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。 提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
  論文  参考訳（メタデータ） (2024-11-15T07:42:02Z)
• A Fuzzy Reinforcement LSTM-based Long-term Prediction Model for Fault Conditions in Nuclear Power Plants [3.386466888902435]
  早期故障検出とタイムリーなメンテナンススケジューリングは、NPPの運用上のリスクを著しく軽減する。 多段階予測モデル(PHM)を開発する必要がある。 本稿では,Long Short-Term Memory(LSTM)ニューラルネットワークとExpert Fuzzy Evaluation Methodを統合した新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-13T06:40:17Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• A peridynamic-informed deep learning model for brittle damage prediction [0.0]
  熱力学的(PD)理論をPINNと組み合わせた新しい手法を提案し, 脆性材料における準静的損傷とき裂伝播を予測する。 提案したPD-INNは、異なる幾何学的パラメータに関連する複雑な変位パターンを学習し、捉えることができる。
  論文  参考訳（メタデータ） (2023-10-02T17:12:20Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Forecasting Particle Accelerator Interruptions Using Logistic LASSO Regression [62.997667081978825]
  インターロックと呼ばれる予期せぬ粒子加速器の割り込みは、必要な安全対策にもかかわらず、突然の運用変更を引き起こす。 このような中断を予測することを目的とした,単純かつ強力なバイナリ分類モデルを提案する。 このモデルは、少なくとも絶対収縮と選択演算子によって罰せられるロジスティック回帰として定式化される。
  論文  参考訳（メタデータ） (2023-03-15T23:11:30Z)
• Data-driven and machine-learning based prediction of wave propagation behavior in dam-break flood [11.416877401689735]
  最小限のデータ量で十分にトレーニングされた機械学習モデルは,1次元ダム破壊洪水の長期的動的挙動を良好な精度で予測する上で有効であることを示す。 我々は,0.01未満の根平均二乗誤差 (RMSE) でダム破砕洪水の波動伝播挙動を286回予測するRC-ESNモデルの優れた予測能力を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:58:31Z)
• SWAT Watershed Model Calibration using Deep Learning [0.860255319568951]
  深層学習(DL)を用いたSWATモデルの校正のための高速で正確で信頼性の高い手法を提案する。 畳み込みニューラルネットワークに基づくDL対応逆モデルを構築し,ストリームフローデータを取り込み,SWATモデルパラメータを推定する。 その結果,従来のパラメータ推定法よりもDLモデルに基づくキャリブレーションが優れていることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T22:56:23Z)
• Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
  有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。 我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。 計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-09-23T18:19:58Z)
• Physics-constrained deep neural network method for estimating parameters in a redox flow battery [68.8204255655161]
  バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。 そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。 また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
  論文  参考訳（メタデータ） (2021-06-21T23:42:58Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。