Fugu-MT 論文翻訳(概要): Power-grid stability prediction using transferable machine learnings

論文の概要: Power-grid stability prediction using transferable machine learnings

arxiv url: http://arxiv.org/abs/2105.07562v1
Date: Mon, 17 May 2021 01:19:01 GMT
ステータス: 処理完了
システム内更新日: 2021-05-19 02:53:49.154948
Title: Power-grid stability prediction using transferable machine learnings
Title（参考訳）: トランスファーブル機械学習を用いた電力系統安定性予測
Authors: Seong-Gyu Yang and Beom Jun Kim and Seung-Woo Son and Heetae Kim
Abstract要約: 電力系統同期の安定性を推定する機械学習手法を検討する。我々は2種類の合成電力グリッドで3種類の機械学習アルゴリズムを訓練する。 3つの機械学習モデルは、異種入力電力分布で訓練されたときに、電力グリッドノードの同期安定性をより良く予測する。
参考スコア（独自算出の注目度）: 2.1640200483378953
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Complex network analyses have provided clues to improve power-grid stability with the help of numerical models. The high computational cost of numerical simulations, however, has inhibited the approach especially when it deals with the dynamic properties of power grids such as frequency synchronization. In this study, we investigate machine learning techniques to estimate the stability of power grid synchronization. We test three different machine learning algorithms -- random forest, support vector machine, and artificial neural network -- training them with two different types of synthetic power grids consisting of homogeneous and heterogeneous input-power distribution, respectively. We find that the three machine learning models better predict the synchronization stability of power-grid nodes when they are trained with the heterogeneous input-power distribution than the homogeneous one. With the real-world power grids of Great Britain, Spain, France, and Germany, we also demonstrate that the machine learning algorithms trained on synthetic power grids are transferable to the stability prediction of the real-world power grids, which implies the prospective applicability of machine learning techniques on power-grid studies.
Abstract（参考訳）: 複雑なネットワーク解析は数値モデルを用いて電力グリッドの安定性を改善する手がかりとなった。しかし、数値シミュレーションの高い計算コストは、特に周波数同期などの電力グリッドの動的特性を扱う場合にこのアプローチを阻害している。本研究では,電力系統同期の安定性を推定する機械学習手法について検討する。ランダムフォレスト(ランダムフォレスト)、サポートベクターマシン(サポートベクターマシン)、人工知能ニューラルネットワーク(人工知能)の3つの異なる機械学習アルゴリズムをテストする。これら3つの機械学習モデルは、同種ノードよりも不均一な入力電力分布で訓練された場合、パワーグリッドノードの同期安定性をよりよく予測する。また、イギリス、スペイン、フランス、ドイツの実世界の電力グリッドを用いて、合成電力グリッドで訓練された機械学習アルゴリズムが、実世界の電力グリッドの安定性予測に移行可能であることを実証した。

関連論文リスト

State and Action Factorization in Power Grids [47.65236082304256]
状態と行動成分の相関関係をデータに基づいて推定するドメインに依存しないアルゴリズムを提案する。このアルゴリズムはGrid2Opシミュレータで得られた電力グリッドベンチマークで検証される。
論文参考訳（メタデータ） (2024-09-03T15:00:58Z)
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)
Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文参考訳（メタデータ） (2024-05-22T17:23:15Z)
GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
論文参考訳（メタデータ） (2024-05-20T14:43:46Z)
PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase Distribution Systems [6.788629099241222]
このレターでは、非平衡三相電力グリッド用に明示的に設計された新しいマルチグラフGNNフレームワークであるPowerFlowMultiNetを紹介する。メッセージパッシングを利用したグラフ埋め込み機構を導入し、電力系統ネットワーク内の空間的依存関係をキャプチャする。厳密なテストでは、大規模な電力ネットワークにおけるエラー率と計算速度の顕著な増加が明らかにされている。
論文参考訳（メタデータ） (2024-03-01T13:47:39Z)
Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of Transient Stability for Changing Power Grid Topologies [4.344709230906635]
GEDF-SCLモデルでは、教師付きコントラスト学習を用いてGEDFの過渡安定性を予測する。その結果,GEDF-SCLモデルは過渡安定度予測において高い精度が得られることがわかった。
論文参考訳（メタデータ） (2023-08-01T13:30:36Z)
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)
Predicting Dynamic Stability from Static Features in Power Grid Models using Machine Learning [0.0]
本稿では,ネットワーク科学のメトリクスと機械学習モデルを組み合わせて,非同期イベントのリスクを予測する。我々は、複数の合成試験格子からシミュレーションデータを用いて、そのようなモデルを訓練し、テストする。統合モデルでは,すべてのデータセットを平均化した場合の平均精度が0.996$以上のデシンクロナイゼーションイベントを予測できることがわかった。
論文参考訳（メタデータ） (2022-10-17T17:16:48Z)
Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks [0.0]
Renewablesは、分散化による動的安定性、慣性低下、生産時のボラティリティに関する電力グリッドに新たな課題を導入している。グラフニューラルネットワーク(GNN)は電力グリッドの動的安定性を解析する計算労力を削減するための有望な手法である。 GNNは、トポロジカル情報のみから高度に非線形なターゲットを予測するのに驚くほど効果的です。
論文参考訳（メタデータ） (2022-06-10T07:23:22Z)
Stabilizing Voltage in Power Distribution Networks via Multi-Agent Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文参考訳（メタデータ） (2022-06-08T07:48:42Z)
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。