論文の概要: Neuro-Reachability of Networked Microgrids

• arxiv url: http://arxiv.org/abs/2101.05159v1
• Date: Wed, 13 Jan 2021 15:56:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 07:54:43.761511
• Title: Neuro-Reachability of Networked Microgrids
• Title（参考訳）: ネットワークマイクログリッドの神経受容性
• Authors: Yifan Zhou, Peng Zhang
• Abstract要約: ニューラル常微分方程式ネットワーク(ODE-Net)対応到達可能性法(Neuro-Reachability)を考案し、ネットワークマイクログリッドの動的検証を行う。 データ駆動状態空間モデルを構築するためにODENetを利用した動的モデル探索手法が考案された。 物理データ統合(PDI)NMsモデルを構築し,様々なNM分析を行う。 pdi駆動動的検証の信頼性を高めるためにコンフォーマンスエンパワー到達可能性解析を開発した。
• 参考スコア（独自算出の注目度）: 7.146059733442307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A neural ordinary differential equations network (ODE-Net)-enabled reachability method (Neuro-Reachability) is devised for the dynamic verification of networked microgrids (NMs) with unidentified subsystems and heterogeneous uncertainties. Three new contributions are presented: 1) An ODENet-enabled dynamic model discovery approach is devised to construct the data-driven state-space model which preserves the nonlinear and differential structure of the NMs system; 2) A physics-data-integrated (PDI) NMs model is established, which empowers various NM analytics; and 3) A conformance-empowered reachability analysis is developed to enhance the reliability of the PDI-driven dynamic verification. Extensive case studies demonstrate the efficacy of the ODE-Net-enabled method in microgrid dynamic model discovery, and the effectiveness of the Neuro-Reachability approach in verifying the NMs dynamics under multiple uncertainties and various operational scenarios.
• Abstract（参考訳）: ニューラル常微分方程式ネットワーク(ODE-Net)を用いた到達可能性法(Neuro-Reachability)は,未同定サブシステムと不均一不確実性を有するネットワークマイクログリッド(NM)の動的検証のために考案された。 1)NMsシステムの非線形および微分構造を保存したデータ駆動状態空間モデルを構築するためのODENet対応動的モデル探索手法,2)物理データ統合(PDI)NMsモデルの構築,3)PDI駆動動的検証の信頼性を高めるために適合性を利用した到達性解析を開発した。 大規模ケーススタディでは、マイクログリッド動的モデル発見におけるODE-Net対応手法の有効性と、複数の不確実性および様々な運用シナリオ下でのNMsダイナミックスの検証におけるNeuro-Reachabilityアプローチの有効性が示されている。

関連論文リスト

• Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
  本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。 ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
  論文  参考訳（メタデータ） (2024-01-11T18:57:17Z)
• Semi-Supervised Learning of Dynamical Systems with Neural Ordinary Differential Equations: A Teacher-Student Model Approach [10.20098335268973]
  TS-NODEは、NODEで動的システムのモデリングを行うための、最初の半教師付きアプローチである。 複数の動的システムモデリングタスクにおいて,ベースラインのNeural ODEモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-19T19:17:12Z)
• Understanding Self-attention Mechanism via Dynamical System Perspective [58.024376086269015]
  SAM(Self-attention mechanism)は、人工知能の様々な分野で広く使われている。 常微分方程式(ODE)の高精度解における固有剛性現象(SP)は,高性能ニューラルネットワーク(NN)にも広く存在することを示す。 SAMは、本質的なSPを測定するためのモデルの表現能力を高めることができる剛性対応のステップサイズ適応器でもあることを示す。
  論文  参考訳（メタデータ） (2023-08-19T08:17:41Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Expressive architectures enhance interpretability of dynamics-based neural population models [2.294014185517203]
  シミュレーションされたニューラルネットワークから潜在カオスを引き付ける際のシーケンシャルオートエンコーダ(SAE)の性能を評価する。 広帯域再帰型ニューラルネットワーク(RNN)を用いたSAEでは,真の潜在状態次元での正確な発射速度を推定できないことがわかった。
  論文  参考訳（メタデータ） (2022-12-07T16:44:26Z)
• Neuro-Dynamic State Estimation for Networked Microgrids [9.929209620705986]
  未知のサブシステム下でのネットワークマイクログリッド(NM)に対する学習に基づく動的状態推定(DSE)アルゴリズムを考案する。 1)NMs DSEに対するデータ駆動型ニューロDSEアルゴリズムと,2)NMs状態と未知パラメータの同時推定が可能な自己精製型ニューロDSEアルゴリズム(Neuro-DSE+)と,4)拡張型ニューロDSEを用いてNMs状態と未知パラメータを推定する。
  論文  参考訳（メタデータ） (2022-08-25T18:25:27Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• On the Stochastic Stability of Deep Markov Models [2.417285483528549]
  ディープマルコフモデル(ディープマルコフモデル、英: Deep Markov model、DMM)は、マルコフモデルの表現、学習、推論問題に対するスケーラブルな一般化である。 動的システムの文脈で定義されたDMMの確率安定性の十分な条件を提供する。 安定度を保証した制約付きDMMを設計するための実用的な方法をいくつか提案する。
  論文  参考訳（メタデータ） (2021-11-08T16:14:37Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。