論文の概要: Synthetic Active Distribution System Generation via Unbalanced Graph Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2108.00599v1
• Date: Mon, 2 Aug 2021 02:17:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 14:54:21.619981
• Title: Synthetic Active Distribution System Generation via Unbalanced Graph Generative Adversarial Network
• Title（参考訳）: 非平衡グラフ生成逆ネットワークによる合成能動分布系の生成
• Authors: Rong Yan, Yuxuan Yuan, Zhaoyu Wang, Guangchao Geng, Quanyuan Jiang
• Abstract要約: Wasserstein GANの目的を持つ暗黙的な生成モデルは、合成三相非平衡な能動分布系接続を生成するように設計されている。 基本的な考え方は、実世界のシステムと線分の各フェーズにおけるランダムウォークの分布を学習することである。 いくつかのパワーアプリケーションを用いたケーススタディでは、提案フレームワークによって生成された合成アクティブネットワークが、現実世界のネットワークのほとんど全ての特徴を模倣できることが示されている。
• 参考スコア（独自算出の注目度）: 2.2749157557381245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real active distribution networks with associated smart meter (SM) data are critical for power researchers. However, it is practically difficult for researchers to obtain such comprehensive datasets from utilities due to privacy concerns. To bridge this gap, an implicit generative model with Wasserstein GAN objectives, namely unbalanced graph generative adversarial network (UG-GAN), is designed to generate synthetic three-phase unbalanced active distribution system connectivity. The basic idea is to learn the distribution of random walks both over a real-world system and across each phase of line segments, capturing the underlying local properties of an individual real-world distribution network and generating specific synthetic networks accordingly. Then, to create a comprehensive synthetic test case, a network correction and extension process is proposed to obtain time-series nodal demands and standard distribution grid components with realistic parameters, including distributed energy resources (DERs) and capacity banks. A Midwest distribution system with 1-year SM data has been utilized to validate the performance of our method. Case studies with several power applications demonstrate that synthetic active networks generated by the proposed framework can mimic almost all features of real-world networks while avoiding the disclosure of confidential information.
• Abstract（参考訳）: 電力研究者にとって、関連するスマートメータ(SM)データを持つ実アクティブ配信ネットワークが重要である。 しかし,プライバシ上の懸念から,研究者がこのような包括的なデータセットをユーティリティから取得することは事実上困難である。 このギャップを埋めるために、ワッサースタイン GAN の目的を持つ暗黙的な生成モデル、すなわち、非平衡グラフ生成逆数ネットワーク(UG-GAN)は、合成三相非平衡アクティブ分散系接続を生成するように設計されている。 基本的な考え方は、実世界のシステムと線分の各フェーズのランダムウォークの分布を学習し、個々の実世界の分布ネットワークの基盤となる局所特性を捕捉し、それに応じて特定の合成ネットワークを生成することである。 次に、総合的な総合的なテストケースを作成するために、分散エネルギー資源(ders)やキャパシティバンクを含む現実的なパラメータを持つ時系列nodal要求と標準分散グリッドコンポーネントを得るためのネットワーク補正と拡張プロセスを提案する。 1年間のSMデータを用いた中西部配電システムを用いて,本手法の性能評価を行った。 いくつかの電力応用によるケーススタディでは、提案フレームワークによって生成された合成アクティブネットワークが、秘密情報の開示を回避しつつ、現実世界のネットワークのほとんど全ての特徴を模倣できることが示されている。

関連論文リスト

• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Generative Modeling for Tabular Data via Penalized Optimal Transport Network [2.0319002824093015]
  Wasserstein generative adversarial network (WGAN) は、生成モデルにおいて顕著な改善である。 本稿では,新しい,頑健で解釈可能な辺縁補償型Wasserstein(MPW)損失に基づく生成型ディープニューラルネットワークPOTNetを提案する。
  論文  参考訳（メタデータ） (2024-02-16T05:27:05Z)
• Fitting Low-rank Models on Egocentrically Sampled Partial Networks [4.111899441919165]
  本稿では,egocentricly sampled network に対する一般的な低ランクモデルに適合する手法を提案する。 この手法は、エゴセントリックな部分的ネットワーク推定に関する最初の理論的保証を提供する。 本手法を複数の合成および実世界のネットワーク上で評価し,リンク予測タスクにおいて競合性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-03-09T03:20:44Z)
• Distributed Traffic Synthesis and Classification in Edge Networks: A Federated Self-supervised Learning Approach [83.2160310392168]
  本稿では,多数の異種データセット上での自動トラフィック解析と合成を支援するFS-GANを提案する。 FS-GANは複数の分散ジェネレーティブ・アドバイサル・ネットワーク(GAN)から構成される FS-GANは未知のサービスのデータを分類し、未知のタイプのトラフィック分布をキャプチャする合成サンプルを作成する。
  論文  参考訳（メタデータ） (2023-02-01T03:23:11Z)
• 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)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Multi-Source Data Fusion Outage Location in Distribution Systems via Probabilistic Graph Models [1.7205106391379026]
  本稿では,部分的に観測可能な分散システムにおける障害事象を特定するためのマルチソースデータ融合手法を提案する。 提案手法の新たな側面として,マルチソースエビデンスと分散システムの複雑な構造を考慮に入れている点が挙げられる。 提案手法は,高次元空間における停止位置推定の計算量を大幅に削減することができる。
  論文  参考訳（メタデータ） (2020-12-04T22:34:20Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• Neural Network Approximation of Graph Fourier Transforms for Sparse Sampling of Networked Flow Dynamics [13.538871180763156]
  水分配ネットワーク(WDN)は、複雑なカスケード力学を持つ大規模ネットワーククリティカルシステムであり、予測が難しい。 既存のアプローチでは、最小限の監視ポイントを見つけるために、多目的最適化を使用しているが、性能保証や理論的な枠組みが欠如している。 そこで我々はまず,ネットワーク汚染拡散ダイナミクスを圧縮し,本質的なデータ収集点を推論性能保証とともに同定するグラフフーリエ変換(GFT)演算子を開発した。 次に、自動エンコーダ(AE)にインスパイアされたニューラルネットワーク(NN)を構築し、GFTサンプリングプロセスを一般化し、初期からさらにアンダーサンプリングする。
  論文  参考訳（メタデータ） (2020-02-11T20:18:37Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

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。