論文の概要: Secondary control activation analysed and predicted with explainable AI

• arxiv url: http://arxiv.org/abs/2109.04802v1
• Date: Fri, 10 Sep 2021 11:39:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-13 19:29:18.781726
• Title: Secondary control activation analysed and predicted with explainable AI
• Title（参考訳）: 説明可能なAIによる二次制御活性化の解析と予測
• Authors: Johannes Kruse, Benjamin Sch\"afer, Dirk Witthaut
• Abstract要約: ドイツにおける二次制御の活性化のための説明可能な機械学習モデルを構築した。 我々の分析は、ドイツの電力システムに高い予備需要をもたらすドライバーを明らかにしている。
• 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 transition to a renewable energy system poses challenges for power grid operation and stability. Secondary control is key in restoring the power system to its reference following a disturbance. Underestimating the necessary control capacity may require emergency measures, such as load shedding. Hence, a solid understanding of the emerging risks and the driving factors of control is needed. In this contribution, we establish an explainable machine learning model for the activation of secondary control power in Germany. Training gradient boosted trees, we obtain an accurate description of control activation. Using SHapely Additive exPlanation (SHAP) values, we investigate the dependency between control activation and external features such as the generation mix, forecasting errors, and electricity market data. Thereby, our analysis reveals drivers that lead to high reserve requirements in the German power system. Our transparent approach, utilizing open data and making machine learning models interpretable, opens new scientific discovery avenues.
• Abstract（参考訳）: 再生可能エネルギーシステムへの移行は電力グリッドの運用と安定性に課題をもたらす。 二次制御は、障害後の電力系統を基準に復元する鍵となる。 必要な制御能力の過小評価には、負荷層などの緊急措置が必要である。 したがって、新たなリスクとコントロールの推進要因を明確に理解する必要がある。 本研究では,ドイツにおける二次制御能力の活性化に関する説明可能な機械学習モデルを構築した。 勾配強化木を訓練し,制御活性化の正確な記述を得た。 シェープリー加法説明(shap)値を用いて,制御活性化と生成混合,予測誤差,電力市場データなどの外部特性との依存性について検討した。 これにより、ドイツの電力システムに高い予備的要件をもたらすドライバーが明らかになる。 オープンデータを利用して機械学習モデルを解釈するわれわれの透明なアプローチは、新たな科学的発見の道を開く。

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)
• Bayesian Reinforcement Learning for Automatic Voltage Control under Cyber-Induced Uncertainty [0.533024001730262]
  本研究では,電力系統制御問題に対するベイズ強化学習(BRL)手法を提案する。 サイバー攻撃環境における不確実性の下での持続的な電圧制御に焦点を当てている。 BRL技術は、様々なRL技術における探索と利用のしきい値を自動的に見つけるのに役立つ。
  論文  参考訳（メタデータ） (2023-05-25T20:58:08Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• 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)
• Numerical Demonstration of Multiple Actuator Constraint Enforcement Algorithm for a Molten Salt Loop [5.6006269492683725]
  溶融塩ループの自律制御に対して、解釈可能で適応可能なデータ駆動機械学習アプローチを実証する。 適応性に対処するために、制御アルゴリズムを使用して、定数と時間依存の制約を強制しながらアクチュエータセットポイントを変更する。
  論文  参考訳（メタデータ） (2022-02-04T11:58:40Z)
• Multi-Agent Reinforcement Learning for Active Voltage Control on Power Distribution Networks [2.992389186393994]
  脱炭のトレンドは、配電ネットワークに過度なストレスをかけている。 アクティブ電圧制御は、余分なハードウェア投資をすることなく、電力混雑を緩和し、電圧品質を向上させるための有望な解決策と見なされている。 本稿では,Dec-POMDPの枠組みにおけるアクティブ電圧制御問題を定式化し,オープンソース環境を確立する。
  論文  参考訳（メタデータ） (2021-10-27T09:31:22Z)
• Is Disentanglement enough? On Latent Representations for Controllable Music Generation [78.8942067357231]
  強い生成デコーダが存在しない場合、アンタングル化は必ずしも制御性を意味するものではない。 VAEデコーダに対する潜伏空間の構造は、異なる属性を操作するための生成モデルの能力を高める上で重要な役割を果たす。
  論文  参考訳（メタデータ） (2021-08-01T18:37:43Z)
• Reinforcement Learning based Proactive Control for Transmission Grid Resilience to Wildfire [2.944988240451469]
  山火事時の電力系統の運転には弾力性駆動型能動制御が必要である。 本研究では,テストベッド・テンポラル・ファイア・プロポーザルとアクティブ・パワー・システム・オペレーションを統合的に導入する。 提案手法は, 極端イベント時の負荷損失低減に有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-12T22:04:12Z)
• Reinforcement Learning for Thermostatically Controlled Loads Control using Modelica and Python [0.0]
  このプロジェクトは、電力系統制御に強化学習(RL)を適用する機会を調査し、評価することを目的としている。 The proof of concept (PoC) was developed to voltage control of thermostatically controlled loads (TCLs) for power consumption using Modelica-based pipeline。 本稿では,状態空間の離散化を含むQ-ラーニングパラメータが制御性能に与える影響について述べる。
  論文  参考訳（メタデータ） (2020-05-09T13:35:49Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。