論文の概要: Embedding Power Flow into Machine Learning for Parameter and State
Estimation
- arxiv url: http://arxiv.org/abs/2103.14251v1
- Date: Fri, 26 Mar 2021 04:16:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 21:52:44.008765
- Title: Embedding Power Flow into Machine Learning for Parameter and State
Estimation
- Title（参考訳）: パラメータと状態推定のための機械学習へのパワーフロー埋め込み
- Authors: Laurent Pagnier and Michael Chertkov
- Abstract要約: 現代の機械学習(ML)が反復ループをより効率的に解決できることを示す。
提案手法は不完全観測の場合まで拡張し, ファザー計測ユニットは発電機でのみ利用可能である。
実装の観点から考えると、パラメータと状態推定問題を解くという私たちの方法論は、MLフレームワークのトレーニングループにPower Flow(PF)ソルバを埋め込むことと見なすことができる。
- 参考スコア（独自算出の注目度）: 4.416484585765027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern state and parameter estimations in power systems consist of two
stages: the outer problem of minimizing the mismatch between network
observation and prediction over the network parameters, and the inner problem
of predicting the system state for given values of the parameters. The standard
solution of the combined problem is iterative: (a) set the parameters, e.g. to
priors on the power line characteristics, (b) map input observation to
prediction of the output, (c) compute the mismatch between predicted and
observed output, (d) make a gradient descent step in the space of parameters to
minimize the mismatch, and loop back to (a). We show how modern Machine
Learning (ML), and specifically training guided by automatic differentiation,
allows to resolve the iterative loop more efficiently. Moreover, we extend the
scheme to the case of incomplete observations, where Phasor Measurement Units
(reporting real and reactive powers, voltage and phase) are available only at
the generators (PV buses), while loads (PQ buses) report (via SCADA controls)
only active and reactive powers. Considering it from the implementation
perspective, our methodology of resolving the parameter and state estimation
problem can be viewed as embedding of the Power Flow (PF) solver into the
training loop of the Machine Learning framework (PyTorch, in this study). We
argue that this embedding can help to resolve high-level optimization problems
in power system operations and planning.
- Abstract（参考訳）: 最近の電力系統の状態とパラメータの推定は、ネットワーク観測とネットワークパラメータの予測のミスマッチを最小化する外部問題と、パラメータの与えられた値に対するシステム状態の予測に関する内部問題という2つの段階からなる。
結合問題の標準的な解は反復である: (a)パラメータを設定する、例えば。
b)入力された観測結果を出力の予測にマップし、(c)予測された出力と観測された出力のミスマッチを計算し、(d)パラメータの空間に勾配降下ステップを加えてミスマッチを最小限にし、(a)にループバックする。
機械学習(ML)の現代化,特に自動微分によって指導されたトレーニングによって,反復ループをより効率的に解決できることを示す。
さらに, ファサー測定ユニット(実および反応性電力, 電圧および位相を報告)が発電機(pvバス)でのみ利用可能であるのに対して, 負荷(pqバス)が(scada制御による)能動および反応性パワーのみを報告している不完全な観測の場合にもそのスキームを拡張する。
実装の観点から考えると、パラメータと状態推定問題を解く手法は、機械学習フレームワーク(PyTorch)のトレーニングループにパワーフロー(PF)ソルバを埋め込んだものと見なすことができる。
この組込みは、電力系統の運用と計画における高レベルの最適化問題を解決するのに役立つと論じている。
関連論文リスト
- Real-time optimal control of high-dimensional parametrized systems by deep learning-based reduced order models [3.5161229331588095]
複数のシナリオにおけるパラメタライズされたPDEの観点で記述されたシステムの迅速な制御のための,非侵襲的なディープラーニングベースリダクションオーダーモデリング(DL-ROM)手法を提案する。
i)データ生成、(ii)次元削減、および(iii)オフラインフェーズでのニューラルネットワークトレーニングの後、任意のシナリオにおいて、最適制御戦略をオンラインフェーズで迅速に検索することができる。
論文 参考訳（メタデータ） (2024-09-09T15:20:24Z) - Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。
システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
論文 参考訳（メタデータ） (2023-10-07T15:07:10Z) - Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head
Attention-Augmented CNN-LSTM Network [0.0]
電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。
ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。
これらの障害を克服する新しいソリューションを提案します。
論文 参考訳（メタデータ） (2023-09-07T13:06:52Z) - Reduced order modeling of parametrized systems through autoencoders and
SINDy approach: continuation of periodic solutions [0.0]
本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。
提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。
これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
論文 参考訳（メタデータ） (2022-11-13T01:57:18Z) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳（メタデータ） (2022-10-17T17:30:09Z) - Distributed Nonlinear State Estimation in Electric Power Systems using
Graph Neural Networks [1.1470070927586016]
本稿では,非線形電力系統SEの増乗係数グラフ上での独自のグラフニューラルネットワークに基づくSEの実装を提案する。
提案した回帰モデルは、一度訓練された推論時間中に線形計算複雑性を持ち、分散実装の可能性がある。
論文 参考訳（メタデータ） (2022-07-23T08:54:24Z) - Deep Learning Approximation of Diffeomorphisms via Linear-Control
Systems [91.3755431537592]
我々は、制御に線形に依存する$dot x = sum_i=1lF_i(x)u_i$という形の制御系を考える。
対応するフローを用いて、コンパクトな点のアンサンブル上の微分同相写像の作用を近似する。
論文 参考訳（メタデータ） (2021-10-24T08:57:46Z) - Mixed-Integer Nonlinear Programming for State-based Non-Intrusive Load
Monitoring [2.2237337682863125]
非侵入負荷モニタリング(Non-Intrusive Load Monitoring, NILM)は、1つのスマートメーターによって記録された集約信号に対して、各アプライアンスのエネルギー消費を推定するタスクである。
エネルギー分散のための2段階最適化手法を提案する。
論文 参考訳（メタデータ） (2021-06-16T22:16:00Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - 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) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z)
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。