論文の概要: Physics-Informed Graphical Neural Network for Parameter & State
Estimations in Power Systems
- arxiv url: http://arxiv.org/abs/2102.06349v1
- Date: Fri, 12 Feb 2021 04:32:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 14:22:54.227310
- Title: Physics-Informed Graphical Neural Network for Parameter & State
Estimations in Power Systems
- Title（参考訳）: 物理インフォームドグラフィカルニューラルネットワークによる電力系統のパラメータと状態推定
- Authors: Laurent Pagnier and Michael Chertkov
- Abstract要約: 本稿では,GNN(Graphical Neural Networks)にパワーシステムの物理モデリングを組み込むハイブリッド方式を提案する。
我々は,実効電力フロー(EPF)モデル内の物理,すなわち解釈可能なパラメータを再構成する物理インフォームド手法であるPower-GNNを構築した。
実験では、数千の負荷と数百の発電機を含む、さまざまな現実的な電力ネットワーク上でPower-GNNをテストする。
- 参考スコア（独自算出の注目度）: 4.416484585765027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parameter Estimation (PE) and State Estimation (SE) are the most wide-spread
tasks in the system engineering. They need to be done automatically, fast and
frequently, as measurements arrive. Deep Learning (DL) holds the promise of
tackling the challenge, however in so far, as PE and SE in power systems is
concerned, (a) DL did not win trust of the system operators because of the lack
of the physics of electricity based, interpretations and (b) DL remained
illusive in the operational regimes were data is scarce. To address this, we
present a hybrid scheme which embeds physics modeling of power systems into
Graphical Neural Networks (GNN), therefore empowering system operators with a
reliable and explainable real-time predictions which can then be used to
control the critical infrastructure. To enable progress towards trustworthy DL
for PE and SE, we build a physics-informed method, named Power-GNN, which
reconstructs physical, thus interpretable, parameters within Effective Power
Flow (EPF) models, such as admittances of effective power lines, and NN
parameters, representing implicitly unobserved elements of the system. In our
experiments, we test the Power-GNN on different realistic power networks,
including these with thousands of loads and hundreds of generators. We show
that the Power-GNN outperforms vanilla NN scheme unaware of the EPF physics.
- Abstract（参考訳）: パラメータ推定(PE)と状態推定(SE)はシステム工学における最も幅広いタスクである。
測定が到着すると、自動的に、迅速かつ頻繁に行う必要があります。
ディープラーニング(dl)は課題に取り組むという約束を持っているが、これまでのところ、電力システムにおけるpeとseが懸念されているため、(a)電気の物理の欠如、解釈、(b) 運用体制においてデータが不足しているため、dlはシステムオペレーターの信頼を得られなかった。
そこで本論文では,電力システムの物理モデリングをGNN(Graphical Neural Networks)に組み込むハイブリッド方式を提案する。
PE と SE の信頼性の高い DL への進展を実現するため,実効電力ラインのアプタンスや NN パラメータなどの実効電力フロー(EPF)モデル内の物理的,解釈可能なパラメータを再構成し,非観測要素を暗黙的に表現する物理インフォームド手法である Power-GNN を構築した。
実験では、数千の負荷と数百の発電機を含む、さまざまな現実的な電力ネットワーク上でPower-GNNをテストする。
本稿では,Power-GNNがEPF物理を知らないバニラNN方式よりも優れていることを示す。
関連論文リスト
- SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - 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) - Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。
提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
論文 参考訳（メタデータ） (2024-06-05T04:28:57Z) - Automated Deep Learning for Load Forecasting [0.34952465649465553]
本稿では、負荷予測のためにDeep Neural Networks(DNN)を実行するためにAutomated Deep Learning(AutoDL)を使用した理由と方法を説明する。
最終的に、DRAGONパッケージを拡張し、負荷予測に適用することで、EnergyDragonと呼ばれるAutoDLフレームワークを作成しました。
我々は、EnergyDragonが、最先端の負荷予測方法より優れた独自のDNNを見つけることができるというフランスの負荷信号について示す。
論文 参考訳（メタデータ） (2024-05-14T07:51:55Z) - Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy,
Computational Cost, and Flexibility [0.0]
物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。
本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。
そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
論文 参考訳（メタデータ） (2023-03-15T23:53:32Z) - 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) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2022-11-14T01:29:09Z) - Gradient-Enhanced Physics-Informed Neural Networks for Power Systems
Operational Support [36.96271320953622]
本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。
提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
論文 参考訳（メタデータ） (2022-06-21T17:56:55Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - 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) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳（メタデータ） (2020-06-02T23:38:35Z)
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。