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
- PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase
Distribution Systems [7.416089599131739]
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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Robust, Deep, and Reinforcement Learning for Management of Communication
and Power Networks [6.09170287691728]
本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。
次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。
この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
論文 参考訳(メタデータ) (2022-02-08T05:49:06Z) - Stability Analysis of Unfolded WMMSE for Power Allocation [80.71751088398209]
電力割り当ては、無線ネットワークにおける基本的な問題の1つである。
これらのアルゴリズムの出力電力配分は入力摂動に関して安定であることが不可欠である。
本稿では,グラフニューラルネットワークを利用した最新のアルゴリズムであるUWMMSEに着目した。
論文 参考訳(メタデータ) (2021-10-14T15:44:19Z) - 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) - Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by
Enabling Input-Adaptive Inference [119.19779637025444]
深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。
本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
論文 参考訳(メタデータ) (2020-02-24T00:40:22Z)
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。