論文の概要: State and Topology Estimation for Unobservable Distribution Systems
using Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2104.07208v1
- Date: Thu, 15 Apr 2021 02:46:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 14:47:56.367660
- Title: State and Topology Estimation for Unobservable Distribution Systems
using Deep Neural Networks
- Title（参考訳）: ディープニューラルネットワークを用いた観測不能分布系の状態とトポロジー推定
- Authors: B. Azimian, R. Sen Biswas, A. Pal, Lang Tong, Gautam Dasarathy
- Abstract要約: リアルタイムオブザーバビリティが制限されているため,再構成可能な分散ネットワークの時間同期状態推定は困難である。
本論文では,深層学習(DL)に基づくトポロジー同定(TI)と不均衡な3相分布系状態推定(DSSE)の手法を定式化する。
2つのディープニューラルネットワーク(DNN)は、同期失調症測定装置(SMD)によって不完全に観察されるシステムに対して、TIおよびDSSEを実装するために順次動作するように訓練されます。
- 参考スコア（独自算出の注目度）: 8.673621107750652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time-synchronized state estimation for reconfigurable distribution networks
is challenging because of limited real-time observability. This paper addresses
this challenge by formulating a deep learning (DL)-based approach for topology
identification (TI) and unbalanced three-phase distribution system state
estimation (DSSE). Two deep neural networks (DNNs) are trained to operate in a
sequential manner for implementing DNN-based TI and DSSE for systems that are
incompletely observed by synchrophasor measurement devices (SMDs). A
data-driven approach for judicious measurement selection to facilitate reliable
TI and DSSE is also provided. Robustness of the proposed methodology is
demonstrated by considering realistic measurement error models for SMDs as well
as presence of renewable energy. A comparative study of the DNN-based DSSE with
classical linear state estimation (LSE) indicates that the DL-based approach
gives better accuracy with a significantly smaller number of SMDs
- Abstract（参考訳）: リアルタイムオブザーバビリティが制限されているため,再構成可能な分散ネットワークの時間同期状態推定は困難である。
本稿では、位相同定(TI)と非平衡三相分布系状態推定(DSSE)のための深層学習(DL)に基づくアプローチを定式化し、この問題に対処する。
2つのディープニューラルネットワーク(DNN)は、シンクロファサー測定装置(SMD)で不完全な観測を行うシステムに対して、DNNベースのTIとDSSEを実装するために、順次的に運用するように訓練されている。
また、信頼性の高いTIとDSSEを容易にするための偏差測定選択のためのデータ駆動アプローチも提供する。
提案手法のロバスト性は,SMDの実測誤差モデルと再生可能エネルギーの存在を考慮することで実証される。
dnn-based dsse with classical linear state estimation (lse) の比較研究は、dl-based approachがsmdをかなり少なくして精度を向上させることを示している。
関連論文リスト
- Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning [57.04370580292727]
モデルフリープロセスの圧縮測定(BSCM)によるデータ駆動ベイズ状態の推定。
時間的測定ベクトルの次元は、推定される時間的状態ベクトルの次元よりも低い。
既存の2つの教師なし学習ベースのデータ駆動手法は、モデルフリープロセスのBSCM問題に対処できない。
半教師付き学習に基づくDANSE手法を開発し,その手法をSemiDANSEと呼ぶ。
論文 参考訳（メタデータ） (2024-07-10T05:03:48Z) - 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) - Analytical Verification of Performance of Deep Neural Network Based
Time-Synchronized Distribution System State Estimation [0.18726646412385334]
近年,ディープニューラルネットワーク(DNN)を用いた時間同期状態推定器の成功例が報告されている。
本稿では,入力測定における摂動関数として,その状態推定器の性能に関する解析的バウンダリを提供する。
論文 参考訳（メタデータ） (2023-11-12T22:01:34Z) - Unmatched uncertainty mitigation through neural network supported model
predictive control [7.036452261968766]
学習ベースMPC(LBMPC)の基本最適化問題において,深層ニューラルネットワーク(DNN)をオラクルとして利用する。
我々は、ニューラルネットワークの最後のレイヤの重みをリアルタイムで更新するデュアル・タイムスケール適応機構を採用している。
その結果,提案手法はリアルタイムに実装可能であり,LBMPCの理論的保証を担っていることがわかった。
論文 参考訳（メタデータ） (2023-04-22T04:49:48Z) - Efficient Deep Unfolding for SISO-OFDM Channel Estimation [0.0]
スパースリカバリ技術を用いてSISO-OFDMチャネル推定を行うことができる。
本稿では,この制約を緩和するために,展開ニューラルネットワークを用いる。
教師なしのオンライン学習は、推定性能を高めるためにシステムの欠陥を学習することができる。
論文 参考訳（メタデータ） (2022-10-11T11:29:54Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳（メタデータ） (2022-06-26T16:00:22Z) - Integrating Recurrent Neural Networks with Data Assimilation for
Scalable Data-Driven State Estimation [0.0]
データ同化(DA)は機械学習と統合され、完全にデータ駆動のオンライン状態推定を実行する。
リカレントニューラルネットワーク(RNN)は、数値天気予報(NWP)においてDAサイクルの重要なコンポーネントを置き換えるために代理モデルとして実装される
これらのRNNがDAメソッドを使用して、ターゲットシステムの観測で隠れた/保存状態を直接更新する方法について示す。
論文 参考訳（メタデータ） (2021-09-25T03:56:53Z) - Time Synchronized State Estimation for Incompletely Observed
Distribution Systems Using Deep Learning Considering Realistic Measurement
Noise [1.7587442088965226]
時間同期状態推定は、リアルタイム観測性に制限があるため、分散システムの課題である。
本稿では,不均衡な3相分布系の状態推定を行うために,ディープラーニング(DL)に基づくアプローチを定式化する。
論文 参考訳（メタデータ） (2020-11-09T09:45:30Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。