論文の概要: Estimate Three-Phase Distribution Line Parameters With Physics-Informed
Graphical Learning Method
- arxiv url: http://arxiv.org/abs/2102.09023v1
- Date: Wed, 17 Feb 2021 20:52:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 14:09:40.348315
- Title: Estimate Three-Phase Distribution Line Parameters With Physics-Informed
Graphical Learning Method
- Title(参考訳): 物理インフォームドグラフィカル学習法による三相分布線パラメータの推定
- Authors: Wenyu Wang, Nanpeng Yu
- Abstract要約: 3相配電システムのネットワークパラメータを推定する物理情報を用いたグラフィカルラーニングアルゴリズムを開発。
提案アルゴリズムは, 利用可能なスマートメータデータのみを用いて, 一次分布線セグメントの3相直列抵抗と反応性を推定する。
- 参考スコア(独自算出の注目度): 5.410616652484168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate estimates of network parameters are essential for modeling,
monitoring, and control in power distribution systems. In this paper, we
develop a physics-informed graphical learning algorithm to estimate network
parameters of three-phase power distribution systems. Our proposed algorithm
uses only readily available smart meter data to estimate the three-phase series
resistance and reactance of the primary distribution line segments. We first
develop a parametric physics-based model to replace the black-box deep neural
networks in the conventional graphical neural network (GNN). Then we derive the
gradient of the loss function with respect to the network parameters and use
stochastic gradient descent (SGD) to estimate the physical parameters. Prior
knowledge of network parameters is also considered to further improve the
accuracy of estimation. Comprehensive numerical study results show that our
proposed algorithm yields high accuracy and outperforms existing methods.
- Abstract(参考訳): ネットワークパラメータの正確な推定は、電力流通システムのモデリング、監視、制御に不可欠である。
本稿では,三相配電系統のネットワークパラメータを推定する物理式グラフィカル学習アルゴリズムを開発した。
提案アルゴリズムは, 利用可能なスマートメータデータのみを用いて, 一次分布線セグメントの3相直列抵抗と反応性を推定する。
まず,従来のグラフィカルニューラルネットワーク(GNN)におけるブラックボックス深層ニューラルネットワークを置き換えるパラメトリック物理モデルを開発した。
次に,ネットワークパラメータに対する損失関数の勾配を導出し,確率的勾配降下(sgd)を用いて物理パラメータを推定する。
ネットワークパラメータの事前知識は、推定の精度をさらに向上させると考えられる。
その結果,提案アルゴリズムは精度が高く,既存の手法よりも優れていることがわかった。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Physics-informed neural networks for gravity currents reconstruction
from limited data [0.0]
本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。
PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
論文 参考訳(メタデータ) (2022-11-03T11:27:29Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳(メタデータ) (2022-09-26T17:59:58Z) - LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。
LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
論文 参考訳(メタデータ) (2022-03-24T03:31:18Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Equivariant geometric learning for digital rock physics: estimating
formation factor and effective permeability tensors from Morse graph [7.355408124040856]
本論文では、マイクロCT画像から生成因子と有効透過率を直接予測するSE(3)等価グラフニューラルネットワーク(GNN)手法を提案する。
FFTソルバは形成因子と有効透磁率の両方を計算するために確立され、気孔空間の位相と幾何学は永続化ベースのモースグラフで表される。
論文 参考訳(メタデータ) (2021-04-12T16:28:25Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳(メタデータ) (2020-12-19T02:03:53Z) - Parameter Estimation with Dense and Convolutional Neural Networks
Applied to the FitzHugh-Nagumo ODE [0.0]
密度層と畳み込み層を用いた深層ニューラルネットワークを逆問題として提示し,Fitz-Nagumoモデルのパラメータを推定する。
深層ニューラルネットワークは、動的モデルやプロセスにおけるパラメータを推定する可能性があり、フレームワークのパラメータを正確に予測することができることを実証する。
論文 参考訳(メタデータ) (2020-12-12T01:20:42Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳(メタデータ) (2020-07-03T01:37:16Z)
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。