論文の概要: Multi-Source Data Fusion Outage Location in Distribution Systems via Probabilistic Graph Models

• arxiv url: http://arxiv.org/abs/2012.02877v2
• Date: Sat, 8 May 2021 20:08:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 22:59:57.048789
• Title: Multi-Source Data Fusion Outage Location in Distribution Systems via Probabilistic Graph Models
• Title（参考訳）: 確率グラフモデルによる配電系統のマルチソースデータ融合停止位置
• Authors: Yuxuan Yuan, Kaveh Dehghanpour, Zhaoyu Wang, Fankun Bu
• Abstract要約: 本稿では,部分的に観測可能な分散システムにおける障害事象を特定するためのマルチソースデータ融合手法を提案する。 提案手法の新たな側面として,マルチソースエビデンスと分散システムの複雑な構造を考慮に入れている点が挙げられる。 提案手法は,高次元空間における停止位置推定の計算量を大幅に削減することができる。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient outage location is critical to enhancing the resilience of power distribution systems. However, accurate outage location requires combining massive evidence received from diverse data sources, including smart meter (SM) last gasp signals, customer trouble calls, social media messages, weather data, vegetation information, and physical parameters of the network. This is a computationally complex task due to the high dimensionality of data in distribution grids. In this paper, we propose a multi-source data fusion approach to locate outage events in partially observable distribution systems using Bayesian networks (BNs). A novel aspect of the proposed approach is that it takes multi-source evidence and the complex structure of distribution systems into account using a probabilistic graphical method. Our method can radically reduce the computational complexity of outage location inference in high-dimensional spaces. The graphical structure of the proposed BN is established based on the network's topology and the causal relationship between random variables, such as the states of branches/customers and evidence. Utilizing this graphical model, accurate outage locations are obtained by leveraging a Gibbs sampling (GS) method, to infer the probabilities of de-energization for all branches. Compared with commonly-used exact inference methods that have exponential complexity in the size of the BN, GS quantifies the target conditional probability distributions in a timely manner. A case study of several real-world distribution systems is presented to validate the proposed method.
• Abstract（参考訳）: 効率の良い停電位置は配電システムのレジリエンスを高めるために重要である。 しかし、正確な停止位置は、スマートメーター(SM)ラストギャップ信号、顧客のトラブルコール、ソーシャルメディアメッセージ、天気データ、植生情報、ネットワークの物理的パラメータなど、さまざまなデータソースから受け取った膨大な証拠を組み合わせる必要がある。 これは分散グリッドにおけるデータの高次元性に起因する計算学的に複雑なタスクである。 本稿では,ベイズネットワーク(bns)を用いた部分観測可能な分散システムにおいて,停止イベントを探索するためのマルチソースデータ融合手法を提案する。 提案手法の新たな側面は,多元的証拠と分布系の複雑な構造を確率的グラフィカル手法を用いて考慮することである。 提案手法は,高次元空間における停止位置推定の計算量を大幅に削減することができる。 提案したBNのグラフィカルな構造は,ネットワークのトポロジと,分岐・触媒の状態や証拠などのランダム変数間の因果関係に基づいて確立されている。 このグラフィカルモデルを用いることで、ギブスサンプリング(GS)法を利用して正確な停止位置を求め、すべてのブランチに対してデエネルギ化の確率を推定する。 BNの大きさが指数関数的に複雑である一般的な正確な推論法と比較して、GSは目標条件確率分布をタイムリーに定量化する。 提案手法の有効性を検証するために,複数の実世界の流通システムの事例研究を行った。

関連論文リスト

• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Distributed Learning of Generalized Linear Causal Networks [19.381934612280993]
  正規化確率スコア(DARLS)に基づく分散焼鈍という構造学習手法を提案する。 DARLSは、そのような理論的保証で因果グラフを学習する最初の方法である。 タンパク質-DNA結合ネットワークを分散ChIPシーケンシングデータでモデル化する現実世界のアプリケーションにおいて、DARLSは他の方法よりも高い予測力を示す。
  論文  参考訳（メタデータ） (2022-01-23T06:33:25Z)
• Investigating Shifts in GAN Output-Distributions [5.076419064097734]
  本稿では,実学習データとGAN生成データの分布の可観測的変化を系統的に調査するためのループ学習手法を提案する。 全体として、これらの手法を組み合わせることで、現在のGANアルゴリズムの自然的制限を爆発的に調査することができる。
  論文  参考訳（メタデータ） (2021-12-28T09:16:55Z)
• Crime Prediction with Graph Neural Networks and Multivariate Normal Distributions [18.640610803366876]
  グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。 グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。 モデルが生成性だけでなく,正確性も示しています。
  論文  参考訳（メタデータ） (2021-11-29T17:37:01Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• Distributionally Robust Chance Constrained Programming with Generative Adversarial Networks (GANs) [0.0]
  GAN(Generative Adversarial Network)をベースとしたデータ駆動型分散ロバストな制約付きプログラミングフレームワークを提案する。 非パラメトリックかつ教師なしの方法で、歴史的データから分布情報を完全抽出するために、GANを適用する。 提案手法は需要不確実性の下でサプライチェーン最適化に適用される。
  論文  参考訳（メタデータ） (2020-02-28T00:05:22Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

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。