論文の概要: Bayesian Error-in-Variables Models for the Identification of Power Networks

• arxiv url: http://arxiv.org/abs/2107.04480v1
• Date: Fri, 9 Jul 2021 15:10:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 18:51:09.420972
• Title: Bayesian Error-in-Variables Models for the Identification of Power Networks
• Title（参考訳）: 電力ネットワーク同定のためのベイズ誤差イン変数モデル
• Authors: Jean-S\'ebastien Brouillon, Emanuele Fabbiani, Pulkit Nahata, Florian D\"orfler, Giancarlo Ferrari-Trecate
• Abstract要約: アクセタンス行列の信頼できる推定は、時間的に異なる格子に対して欠落するか、すぐに時代遅れになる可能性がある。 マイクロPMUから収集した電圧と電流を利用したデータ駆動型識別手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing integration of intermittent renewable generation, especially at the distribution level,necessitates advanced planning and optimisation methodologies contingent on the knowledge of thegrid, specifically the admittance matrix capturing the topology and line parameters of an electricnetwork. However, a reliable estimate of the admittance matrix may either be missing or quicklybecome obsolete for temporally varying grids. In this work, we propose a data-driven identificationmethod utilising voltage and current measurements collected from micro-PMUs. More precisely,we first present a maximum likelihood approach and then move towards a Bayesian framework,leveraging the principles of maximum a posteriori estimation. In contrast with most existing con-tributions, our approach not only factors in measurement noise on both voltage and current data,but is also capable of exploiting available a priori information such as sparsity patterns and knownline parameters. Simulations conducted on benchmark cases demonstrate that, compared to otheralgorithms, our method can achieve significantly greater accuracy.
• Abstract（参考訳）: 断続的な再生可能発電、特に分布レベルでの統合が増加すると、グリッドの知識、特に電気ネットワークのトポロジーとラインパラメータをキャプチャするアドミタンス行列に基づく高度な計画および最適化手法が必要となる。 しかし、アドミタンス行列の信頼できる推定は、時間的に変化する格子に対して欠落するか、あるいはすぐに時代遅れになるかもしれない。 本研究では,マイクロPMUから収集した電圧と電流を利用したデータ駆動型識別手法を提案する。 より正確には、我々はまず最大帰納的アプローチを示し、次にベイズ的枠組みに向かい、最大後続推定の原理を推定する。 既存のコントリビューションとは対照的に,本手法では,電圧と電流データの両方のノイズを測定するだけでなく,疎度パターンやノウハウラインパラメータなどの事前情報を活用できる。 ベンチマークケースで行ったシミュレーションでは, 他アルゴリズムと比較して, 精度が大幅に向上することが示された。

関連論文リスト

• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• Distribution Grid Line Outage Identification with Unknown Pattern and Performance Guarantee [6.72184534513047]
  配電網におけるライン停止同定は, 持続可能なグリッド運用に不可欠である。 本稿では,手軽に利用できる電圧等級のみを利用する実用的かつ頑健な検出手法を提案する。
  論文  参考訳（メタデータ） (2023-09-10T21:11:36Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
  本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。 容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。 モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T11:34:08Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Identification of AC Networks via Online Learning [0.0]
  本稿では,トポロジ情報と線パラメータを抽出したネットワークアクセタンス行列を推定するオンライン学習手法を提案する。 提案手法は既存の手法を改良し,現実的なテストベッドの数値的研究によりその有効性を実証した。
  論文  参考訳（メタデータ） (2020-03-13T11:40:53Z)
• Bayesian System ID: Optimal management of parameter, model, and measurement uncertainty [0.0]
  システム識別(ID)の確率的定式化の頑健さを,スパース,ノイズ,間接データに対して評価した。 従来手法の目的関数面と比較して,ログ後部は幾何学的特性が向上したことを示す。
  論文  参考訳（メタデータ） (2020-03-04T22:48:30Z)

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。