論文の概要: Which Neural Network to Choose for Post-Fault Localization, Dynamic
State Estimation and Optimal Measurement Placement in Power Systems?
- arxiv url: http://arxiv.org/abs/2104.03115v1
- Date: Wed, 7 Apr 2021 13:35:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 17:09:09.704832
- Title: Which Neural Network to Choose for Post-Fault Localization, Dynamic
State Estimation and Optimal Measurement Placement in Power Systems?
- Title（参考訳）: 電力系統における位置推定, 動的状態推定, 最適測定位置選択のためのニューラルネットワーク
- Authors: Andrei Afonin and Michael Chertkov
- Abstract要約: 本稿では,PMU(Phasor Measurement Units)によって監視される電力伝送システムについて検討する。
まず,故障線を同定するニューラルネットワーク(nns)の包括的シーケンスを設計する。
第2に,プレフォールト状態が与えられた場合にトレーニングした先進的なPower-System-Dynamics-InformedおよびNeural-ODEベースの機械学習スキームを構築し,その状態を予測する。
第三に、最初の(フォールトローカリゼーション)設定で作業を続け、最適なPMU配置を発見する(NNベースの)アルゴリズムを設計します。
- 参考スコア（独自算出の注目度）: 4.416484585765027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider a power transmission system monitored with Phasor Measurement
Units (PMUs) placed at significant, but not all, nodes of the system. Assuming
that a sufficient number of distinct single-line faults, specifically pre-fault
state and (not cleared) post-fault state, are recorded by the PMUs and are
available for training, we, first, design a comprehensive sequence of Neural
Networks (NNs) locating the faulty line. Performance of different NNs in the
sequence, including Linear Regression, Feed-Forward NN, AlexNet, Graphical
Convolutional NN, Neural Linear ODE and Neural Graph-based ODE, ordered
according to the type and amount of the power flow physics involved, are
compared for different levels of observability. Second, we build a sequence of
advanced Power-System-Dynamics-Informed and Neural-ODE based Machine Learning
schemes trained, given pre-fault state, to predict the post-fault state and
also, in parallel, to estimate system parameters. Finally, third, and
continuing to work with the first (fault localization) setting we design a
(NN-based) algorithm which discovers optimal PMU placement.
- Abstract（参考訳）: 本稿では,PMU(Phasor Measurement Units)によって監視される電力伝送システムについて検討する。
pmusによって十分な数の独立したシングルライン障害、特にプレフォールト状態と(クリアされていない)ポストフォールト状態が記録され、トレーニングに利用できると仮定すると、まず、障害ラインを見つけるための総合的なニューラルネットワーク(nns)を設計する。
リニア回帰、フィードフォワードNN、アレックスネット、グラフィカル畳み込みNN、ニューラル線形ODE、ニューラルグラフベースODEなどのシーケンスにおける異なるNNの性能は、関連するパワーフロー物理の種類と量に応じて、異なるレベルの可観測性について比較する。
第2に,事前デフォルト状態からトレーニングした先進的なPower-System-Dynamics-InformedおよびNeural-ODEベースの機械学習スキームを構築し,時間後状態を予測し,並列にシステムパラメータを推定する。
最後に、第3に、第1の(デフォルトのローカライゼーション)設定で作業を続け、最適なPMU配置を発見する(NNベースの)アルゴリズムを設計する。
関連論文リスト
- GradINN: Gradient Informed Neural Network [2.287415292857564]
物理情報ニューラルネットワーク(PINN)にヒントを得た手法を提案する。
GradINNは、システムの勾配に関する事前の信念を利用して、予測関数の勾配を全ての入力次元にわたって制限する。
非時間依存システムにまたがる多様な問題に対するGradINNの利点を実証する。
論文 参考訳（メタデータ） (2024-09-03T14:03:29Z) - Physics-Informed Neural Network for Discovering Systems with
Unmeasurable States with Application to Lithium-Ion Batteries [6.375364752891239]
本稿では,損失項の少ないPINNをトレーニングするためのロバストな手法を導入し,最適化のためのより複雑なランドスケープを構築する。
各微分方程式から損失項を持つ代わりに、この方法は力学を損失関数に埋め込み、観測されたシステム出力と予測されたシステム出力の間の誤差を定量化する。
これは、既知のダイナミクスを使用してニューラルネットワーク(NN)から予測された状態を数値的に統合し、予測された出力のシーケンスを取得することで達成される。
論文 参考訳（メタデータ） (2023-11-27T23:35:40Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural
Networks on Edge NPUs [74.83613252825754]
スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。
これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。
そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
論文 参考訳（メタデータ） (2022-09-27T15:04:01Z) - Neural net modeling of equilibria in NSTX-U [0.0]
我々は平衡モデルと形状制御モデルに関連する2つのニューラルネットワークを開発する。
ネットワークにはEFIT01再構成アルゴリズムでトレーニングされた自由境界均衡解法であるEqnetと、Gspert符号でトレーニングされたPertnetが含まれる。
本報告では,これらのモデルが閉ループシミュレーションで確実に使用できることを示す。
論文 参考訳（メタデータ） (2022-02-28T16:09:58Z) - Physics-Informed Neural Nets-based Control [5.252190504926357]
この研究は、Physical-Informed Neural Nets-based Control (PINC)と呼ばれる新しいフレームワークを提示する。
PINCは問題を制御でき、事前に固定されていない長距離時間地平線をシミュレートすることができる。
本手法を2つの非線形動的システムの制御において紹介する。
論文 参考訳（メタデータ） (2021-04-06T14:55:23Z) - Constrained Block Nonlinear Neural Dynamical Models [1.3163098563588727]
既知の優先度によって調整されたニューラルネットワークモジュールは、非線形ダイナミクスを持つシステムを表現するために効果的に訓練および結合することができる。
提案手法は,入力,状態,出力のダイナミクスを表現するニューラルネットワークブロックで構成され,ネットワーク重みとシステム変数に制約を課す。
3つの非線形システムのシステム識別タスクにおける提案アーキテクチャと学習手法の性能評価を行った。
論文 参考訳（メタデータ） (2021-01-06T04:27:54Z) - A Meta-Learning Approach to the Optimal Power Flow Problem Under
Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。
開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文 参考訳（メタデータ） (2020-12-21T17:39:51Z) - 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) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z)
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。