論文の概要: Scalable Learning for Optimal Load Shedding Under Power Grid Emergency Operations

• arxiv url: http://arxiv.org/abs/2111.11980v1
• Date: Tue, 23 Nov 2021 16:14:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 17:18:01.114028
• Title: Scalable Learning for Optimal Load Shedding Under Power Grid Emergency Operations
• Title（参考訳）: 電力系統の緊急時最適負荷低減のためのスケーラブル学習
• Authors: Yuqi Zhou, Jeehyun Park, Hao Zhu
• Abstract要約: この研究は、様々な潜在的な緊急シナリオの下で、負荷シェディングの最適決定ルールを構築することによって、革新的なLearning-for-OLSアプローチを提示する。 提案したNNベースのOLS決定は完全に分散化されており、個々の負荷センターが特定の状況に迅速に対応できる。 IEEE 14-busシステムに関する数値解析研究により,重度グリッド緊急イベントに対するリアルタイム応答に対する拡張性OLS設計の有効性が実証された。
• 参考スコア（独自算出の注目度）: 4.922268203017287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective and timely responses to unexpected contingencies are crucial for enhancing the resilience of power grids. Given the fast, complex process of cascading propagation, corrective actions such as optimal load shedding (OLS) are difficult to attain in large-scale networks due to the computation complexity and communication latency issues. This work puts forth an innovative learning-for-OLS approach by constructing the optimal decision rules of load shedding under a variety of potential contingency scenarios through offline neural network (NN) training. Notably, the proposed NN-based OLS decisions are fully decentralized, enabling individual load centers to quickly react to the specific contingency using readily available local measurements. Numerical studies on the IEEE 14-bus system have demonstrated the effectiveness of our scalable OLS design for real-time responses to severe grid emergency events.
• Abstract（参考訳）: 電力網の弾力性を高めるためには、予期せぬ事態に対する効果的かつタイムリーな対応が不可欠である。 カスケード伝搬の高速かつ複雑なプロセスを考えると,計算複雑性や通信遅延の問題により,OLS(Optimal Load Shedding)のような補正動作は大規模ネットワークでは達成が難しい。 この研究は、オフラインニューラルネットワーク(nn)トレーニングを通じて、さまざまな潜在的コンティンジェンシーシナリオの下でロードシェディングの最適な決定ルールを構築することによって、革新的なols学習手法を提供する。 特に、提案されたNNベースのOLS決定は完全に分散化されており、個々の負荷センターが容易に利用可能なローカル測定を使用して、特定の一致に迅速に反応することができる。 IEEE 14-busシステムに関する数値解析により,重度グリッド緊急イベントに対するリアルタイム応答に対する拡張性OLS設計の有効性が示された。

関連論文リスト

• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency [6.201026565902282]
  ネットワーク制限を考慮に入れた最適なロードシェディング(OLS)は、同時実行シナリオの多様なシステム全体への影響に対処する可能性がある。 本稿では、ニューラルネットワーク(NN)モデルのオフライントレーニングを活用して、個別の負荷センターに分散した設計を行い、OLSソリューションを自律的に構築する。 我々のLearning-for-OLSアプローチは、オンライン緊急応答における計算と通信の必要性を大幅に削減できる。
  論文  参考訳（メタデータ） (2024-05-09T03:19:20Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Self-Supervised Learning for Large-Scale Preventive Security Constrained DC Optimal Power Flow [20.078717680640214]
  SCOPF(Security-Constrained Optimal Power Flow)は、電力グリッドの安定性において重要な役割を果たすが、システムが成長するにつれてますます複雑になる。 本稿では,大規模SCOPF問題に対する準最適解を生成するための,自己教師付きエンドツーエンドのPDL-SCOPFについて紹介する。
  論文  参考訳（メタデータ） (2023-11-29T20:36:35Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• A Fast Task Offloading Optimization Framework for IRS-Assisted Multi-Access Edge Computing System [14.82292289994152]
  我々は,IOPO(Iterative Order-Preserving Policy Optimization)と呼ばれるディープラーニングに基づく最適化フレームワークを提案する。 IOPOはエネルギー効率のよいタスクオフロード決定をミリ秒で生成できる。 実験の結果,提案フレームワークは短時間でエネルギー効率の高いタスクオフロード決定を生成できることがわかった。
  論文  参考訳（メタデータ） (2023-07-17T13:32:02Z)
• DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging Scheduling in Large-scale Networked Facilities [5.78463306498655]
  電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。 現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。 ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
  論文  参考訳（メタデータ） (2023-05-18T14:03:47Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)
• Model-Driven Beamforming Neural Networks [47.754731555563836]
  本稿では、一般データおよびモデル駆動ビームフォーミングニューラルネットワーク(BNN)を紹介する。 様々な学習戦略を示し、DLベースのBNNの複雑さの低減についても論じている。 また、BNNの汎用性を向上させるため、トレーニングセットの強化や伝達学習などの強化手法も提供する。
  論文  参考訳（メタデータ） (2020-01-15T12:50:09Z)

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。