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
- Self-Supervised Learning for Large-Scale Preventive Security Constrained
DC Optimal Power Flow [23.720345079914637]
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) - Physics-Informed Neural Networks for Minimising Worst-Case Violations in
DC Optimal Power Flow [0.0]
物理インフォームドニューラルネットワークは、基礎となる物理システムの既存のモデルを利用して、少ないデータで高精度な結果を生成する。
このようなアプローチは、計算時間を劇的に削減し、電力システムにおける計算集約的なプロセスの優れた見積を生成するのに役立つ。
このようなニューラルネットワークは、電力系統における安全クリティカルな応用に適用でき、電力系統運用者の間で高い信頼関係を構築することができる。
論文 参考訳(メタデータ) (2021-06-28T10:45:22Z) - 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) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - 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) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳(メタデータ) (2020-03-29T04:48:22Z) - 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。