論文の概要: Adaptive network reliability analysis: Methodology and applications to
power grid
- arxiv url: http://arxiv.org/abs/2109.05360v1
- Date: Sat, 11 Sep 2021 19:58:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 07:46:36.881258
- Title: Adaptive network reliability analysis: Methodology and applications to
power grid
- Title(参考訳): 適応型ネットワーク信頼性解析法と電力グリッドへの応用
- Authors: Nariman L. Dehghani, Soroush Zamanian and Abdollah Shafieezadeh
- Abstract要約: 本研究では,ベイジアン付加回帰木(ANR-BART)を用いた適応代理型ネットワーク信頼性解析法を提案する。
その結果、ANR-BARTは堅牢であり、信頼性解析の計算コストを大幅に削減しつつ、ネットワーク障害確率の正確な推定値が得られることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow network models can capture the underlying physics and operational
constraints of many networked systems including the power grid and
transportation and water networks. However, analyzing reliability of systems
using computationally expensive flow-based models faces substantial challenges,
especially for rare events. Existing actively trained meta-models, which
present a new promising direction in reliability analysis, are not applicable
to networks due to the inability of these methods to handle high-dimensional
problems as well as discrete or mixed variable inputs. This study presents the
first adaptive surrogate-based Network Reliability Analysis using Bayesian
Additive Regression Trees (ANR-BART). This approach integrates BART and Monte
Carlo simulation (MCS) via an active learning method that identifies the most
valuable training samples based on the credible intervals derived by BART over
the space of predictor variables as well as the proximity of the points to the
estimated limit state. Benchmark power grids including IEEE 30, 57, 118, and
300-bus systems and their power flow models for cascading failure analysis are
considered to investigate ANR-BART, MCS, subset simulation, and
passively-trained optimal deep neural networks and BART. Results indicate that
ANR-BART is robust and yields accurate estimates of network failure
probability, while significantly reducing the computational cost of reliability
analysis.
- Abstract(参考訳): フローネットワークモデルは、電力グリッドや輸送、水道網を含む多くのネットワークシステムの基盤となる物理と運用上の制約を捉えることができる。
しかしながら、計算コストの高いフローベースモデルを用いたシステムの信頼性分析は、特にレアなイベントに対する大きな課題に直面している。
信頼性解析における新たな期待方向を示す既存の訓練されたメタモデルは、高次元問題や離散的あるいは混合的な変数入力を扱えないため、ネットワークには適用できない。
本研究では,ベイジアン付加回帰木(ANR-BART)を用いた適応代理型ネットワーク信頼性解析を行った。
このアプローチは、予測変数の空間上でbartによって導かれる信頼できる間隔と推定限界状態への点の近接に基づいて、最も価値のあるトレーニングサンプルを識別するアクティブラーニング法によるbartとモンテカルロシミュレーション(mcs)を統合する。
IEEE30,57,118,300バスシステムなどのベンチマーク電力グリッドとそのカスケード故障解析のための電力フローモデルについて,ANR-BART,MCS,サブセットシミュレーション,受動的に学習した最適深部ニューラルネットワーク,BARTについて検討する。
その結果、ANR-BARTは堅牢であり、信頼性解析の計算コストを大幅に削減しつつ、ネットワーク障害確率の正確な推定値が得られることがわかった。
関連論文リスト
- Data-driven Energy Efficiency Modelling in Large-scale Networks: An
Expert Knowledge and ML-based Approach [0.0]
本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。
ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。
その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
論文 参考訳(メタデータ) (2023-12-31T10:03:08Z) - Physics Informed Neural Networks for Phase Locked Loop Transient
Stability Assessment [0.0]
相ロックループ(PLL)のような電力電子制御器を用いて、グリッドとグリッドの同期性を維持することで、グリッドの故障時に高速な過渡的な動作を引き起こす。
本稿では,少ないラベル付きトレーニングデータを用いて,故障時のコントローラの過渡的ダイナミクスを正確に予測するニューラルネットワークアルゴリズムを提案する。
このアルゴリズムの性能は、CIGREベンチマークモデルC4.49のPSCADにおけるROMとEMTシミュレーションと比較され、グリッドインピーダンスの異なるコントローラの軌道とROAを正確に近似する能力を示している。
論文 参考訳(メタデータ) (2023-03-21T18:09:20Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
論文 参考訳(メタデータ) (2023-02-02T13:41:18Z) - Quantization-aware Interval Bound Propagation for Training Certifiably
Robust Quantized Neural Networks [58.195261590442406]
我々は、逆向きに頑健な量子化ニューラルネットワーク(QNN)の訓練と証明の課題について検討する。
近年の研究では、浮動小数点ニューラルネットワークが量子化後の敵攻撃に対して脆弱であることが示されている。
本稿では、堅牢なQNNをトレーニングするための新しい方法であるQA-IBP(quantization-aware interval bound propagation)を提案する。
論文 参考訳(メタデータ) (2022-11-29T13:32:38Z) - Graph Neural Network Surrogate for seismic reliability analysis of
highway bridge system [9.582103584846193]
本稿では,グラフニューラルネットワークに基づく橋梁網の耐震性評価手法を提案する。
モンテカルロ法と比較して,提案手法の精度,計算効率,堅牢性を示す。
論文 参考訳(メタデータ) (2022-10-12T17:00:26Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳(メタデータ) (2022-04-01T03:31:27Z) - Reinforcement Learning with Probabilistic Boolean Network Models of
Smart Grid Devices [0.3867363075280544]
複雑適応型自己組織化モデリング手法 Probabilistic Boolean Networks (PBN) の応用例を示す。
この研究は、PBNが標準的な強化学習サイクルと等価であることを示し、エージェント/モデルがその環境と相互作用し、報酬信号の形でフィードバックを受け取る。
論文 参考訳(メタデータ) (2021-02-02T04:13:30Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z) - Resilient Identification of Distribution Network Topology [0.0]
本稿では,DERMSで利用可能な測定値のみに依存するネットワークTI関数を提案する。
提案手法は,ネットワークスイッチング構成と保護装置の状態を同定する。
計算負荷が低いため、このアプローチは高速トラックであり、リアルタイムアプリケーションに適用できる。
論文 参考訳(メタデータ) (2020-11-16T14:23:56Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
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。