論文の概要: State Estimation of Power Flows for Smart Grids via Belief Propagation
- arxiv url: http://arxiv.org/abs/2012.10473v1
- Date: Fri, 18 Dec 2020 19:22:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 18:16:30.832104
- Title: State Estimation of Power Flows for Smart Grids via Belief Propagation
- Title（参考訳）: 信念伝播によるスマートグリッドの潮流状態推定
- Authors: Tim Ritmeester and Hildegard Meyer-Ortmanns
- Abstract要約: 信念伝播(Breief propagation)は、統計物理学と計算機科学で知られているアルゴリズムである。
状態推定自体のグリッドサイズとともに,信念の伝播が線形にスケールすることを示す。
また、欠落したデータの検索を促進・加速し、測定単位の最適な位置決めを可能にする。
- 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: Belief propagation is an algorithm that is known from statistical physics and
computer science. It provides an efficient way of calculating marginals that
involve large sums of products which are efficiently rearranged into nested
products of sums to approximate the marginals. It allows a reliable estimation
of the state and its variance of power grids that is needed for the control and
forecast of power grid management. At prototypical examples of IEEE-grids we
show that belief propagation not only scales linearly with the grid size for
the state estimation itself, but also facilitates and accelerates the retrieval
of missing data and allows an optimized positioning of measurement units. Based
on belief propagation, we give a criterion for how to assess whether other
algorithms, using only local information, are adequate for state estimation for
a given grid. We also demonstrate how belief propagation can be utilized for
coarse-graining power grids towards representations that reduce the
computational effort when the coarse-grained version is integrated into a
larger grid. It provides a criterion for partitioning power grids into areas in
order to minimize the error of flow estimates between different areas.
- Abstract（参考訳）: 信念の伝播は統計物理学と計算機科学から知られているアルゴリズムである。
これは、マージンを近似するために、マージンのネスト化された積に効率的に並べ替えられる、大量の積を含むマージンを計算する効率的な方法を提供する。
これにより、電力網管理の制御と予測に必要な状態と電力網の分散の信頼性の高い推定が可能になる。
ieeeグリッドの原型的な例では、信念伝達は状態推定自体のグリッドサイズと線形にスケールするだけでなく、欠落したデータの検索を促進・加速し、測定単位の最適な位置決めを可能にする。
信念の伝播に基づいて,局所的な情報のみを用いた他のアルゴリズムが与えられたグリッドの状態推定に適切かどうかを評価するための基準を与える。
また,粗粒度バージョンをより大きなグリッドに組み込んだ場合の計算労力を削減する表現に対して,信念伝達を粗粒化パワーグリッドに活用できることを実証する。
異なる領域間の流量推定誤差を最小限に抑えるため、電力グリッドを領域に分割するための基準を提供する。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳（メタデータ） (2024-01-29T02:08:40Z) - Adversarial Likelihood Estimation With One-Way Flows [44.684952377918904]
GAN(Generative Adversarial Networks)は、高品質なサンプルを生成することができるが、サンプル周辺の確率密度を見積もることはできない。
提案手法は, より高速に収束し, 類似したアーキテクチャでGANに匹敵するサンプル品質を生成し, 一般的に使用されるデータセットの過度な適合を回避し, トレーニングデータのスムーズな低次元潜在表現を生成する。
論文 参考訳（メタデータ） (2023-07-19T10:26:29Z) - Deep Learning-enabled MCMC for Probabilistic State Estimation in
District Heating Grids [0.0]
地域熱グリッドは、将来の低炭素エネルギーシステムにおいて重要な部分である。
ネットワーク熱交換の空間においてマルコフ・チェイン・モンテカルロサンプリングを用いて後部を推定する。
ディープニューラルネットワークは、正確だが遅い非線形ソルバの解を近似するように訓練される。
論文 参考訳（メタデータ） (2023-05-24T08:47:01Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳（メタデータ） (2022-02-02T20:11:33Z) - Physics-Informed Graph Learning for Robust Fault Location in
Distribution Systems [2.984934409689467]
分散エネルギー資源の急速な成長は電力グリッドの不安定性を増大させる可能性がある。
有望な戦略の1つは、検出と位置によって異常事象(例えば障害)に効率的に応答するために電力網にデータを使用することである。
本稿では,2段階の物理インフォームドグラフ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-05T21:18:37Z) - Direct Measure Matching for Crowd Counting [59.66286603624411]
そこで本研究では,予測密度マップを散乱点付基底真理に直接回帰する測度に基づく新しい計数手法を提案する。
本稿では, シンクホーンの測位損失を計測するために設計した, 半平衡型のシンクホーン発散を導出する。
論文 参考訳（メタデータ） (2021-07-04T06:37:33Z) - Probabilistic Neural Network to Quantify Uncertainty of Wind Power
Estimation [3.4376560669160385]
モンテカルロ・ドロップアウトを用いた確率論的ニューラルネットワークは、パワーカーブ推定のモデル不確かさを定量化すると考えられる。
開発したネットワークは、性能を評価するのに有用なツールであるモデルとノイズの不確実性の両方をキャプチャする。
論文 参考訳（メタデータ） (2021-06-04T19:15:53Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳（メタデータ） (2020-10-09T14:18:31Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z) - Tractable learning in under-excited power grids [4.568911586155097]
物理情報保存法則に基づく非励起一般(非放射性)ネットワーク学習のための新しい学習アルゴリズムを提案する。
我々は,非隣接な内部ノードを持つグリッドに対するアルゴリズムの正当性を証明した。
本手法は実噴射データを用いて試験格子上に生成した非線形電圧サンプルを用いたシミュレーションにより検証した。
論文 参考訳（メタデータ） (2020-05-04T19:54:48Z) - 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)
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。