論文の概要: Artificial Intelligence and Design of Experiments for Assessing Security
of Electricity Supply: A Review and Strategic Outlook
- arxiv url: http://arxiv.org/abs/2112.04889v1
- Date: Tue, 7 Dec 2021 13:28:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-11 02:48:51.589189
- Title: Artificial Intelligence and Design of Experiments for Assessing Security
of Electricity Supply: A Review and Strategic Outlook
- Title（参考訳）: 電力供給の安全性評価のための人工知能と実験の設計--レビューと戦略的展望
- Authors: Jan Priesmann, Justin M\"unch, Elias Ridha, Thomas Spiegel, Marius
Reich, Mario Adam, Lars Nolting, Aaron Praktiknjo
- Abstract要約: エネルギーシステムの複雑さは エネルギーシステムのモデリングに 適切な方法を必要とする
データサイエンス分野の新しい手法は、現在の手法を加速するために必要である。
我々は、AI手法を用いた電源モデルの複雑なセキュリティのメタモデリングと、ストレージディスパッチと(非)可用性の予測のためのAIベースの手法の適用を同定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Assessing the effects of the energy transition and liberalization of energy
markets on resource adequacy is an increasingly important and demanding task.
The rising complexity in energy systems requires adequate methods for energy
system modeling leading to increased computational requirements. Furthermore,
with complexity, uncertainty increases likewise calling for probabilistic
assessments and scenario analyses. To adequately and efficiently address these
various requirements, new methods from the field of data science are needed to
accelerate current methods. With our systematic literature review, we want to
close the gap between the three disciplines (1) assessment of security of
electricity supply, (2) artificial intelligence, and (3) design of experiments.
For this, we conduct a large-scale quantitative review on selected fields of
application and methods and make a synthesis that relates the different
disciplines to each other. Among other findings, we identify metamodeling of
complex security of electricity supply models using AI methods and applications
of AI-based methods for forecasts of storage dispatch and (non-)availabilities
as promising fields of application that have not sufficiently been covered,
yet. We end with deriving a new methodological pipeline for adequately and
efficiently addressing the present and upcoming challenges in the assessment of
security of electricity supply.
- Abstract（参考訳）: エネルギーの移行とエネルギー市場の自由化が資源の適正性に与える影響を評価することはますます重要で要求される課題である。
エネルギーシステムの複雑さの増大は、計算要求の増加につながるエネルギーシステムのモデリングに適切な方法を必要とする。
さらに、複雑さとともに不確実性が増大し、確率的評価とシナリオ分析が要求される。
これらの様々な要件に適切にかつ効率的に対処するためには、現在の手法を加速するために、データサイエンスの分野からの新しい手法が必要である。
系統的な文献レビューにより,(1)電源の安全性の評価,(2)人工知能,(3)実験の設計の3分野間のギャップを埋めたい。
そこで我々は,選択した応用分野と手法について大規模に定量的に検討し,異なる分野を相互に関連付ける合成を行う。
本稿では,ai手法を用いた電力供給モデルの複雑なセキュリティのメタモデリングと,ストレージディスパッチの予測と(非)可用性のためのaiベースの手法の応用を,まだ十分にカバーされていない有望なアプリケーション分野として認識する。
我々は、電力供給の安全性評価における現在および今後の課題を適切にかつ効率的に解決するための新しい方法論パイプラインを導出する。
関連論文リスト
- EAIRiskBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [47.69642609574771]
EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。
高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。
しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。
EAIRiskBenchは、EAIシナリオにおける自動物理的リスクアセスメントのための新しいフレームワークである。
論文 参考訳（メタデータ） (2024-08-08T13:19:37Z) - A Survey of AI-Powered Mini-Grid Solutions for a Sustainable Future in Rural Communities [0.18783379094746652]
本稿では,統計的手法,機械学習アルゴリズム,ハイブリッドアプローチなど,様々な予測モデルについてレビューする。
Prophet、NeuralProphet、N-BEATSといった公開データセットやツールをモデル実装と検証のために検討している。
この調査は、将来の研究への推奨で締めくくられ、モデル適応と現実世界のアプリケーションへの最適化における課題に対処する。
論文 参考訳（メタデータ） (2024-07-17T20:23:38Z) - AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation
Using Intelligent Sensing System [52.93806509364342]
本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。
本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。
本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
論文 参考訳（メタデータ） (2023-12-18T12:37:35Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - Energy-frugal and Interpretable AI Hardware Design using Learning
Automata [5.514795777097036]
Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。
本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。
本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
論文 参考訳（メタデータ） (2023-05-19T15:11:18Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳（メタデータ） (2021-11-04T20:18:55Z) - The Powerful Use of AI in the Energy Sector: Intelligent Forecasting [7.747343962518897]
本稿では,エネルギー部門におけるAIシステムの開発,展開,評価を行う手法を提案する。
目標は、エネルギーユーティリティーユーザーに高い信頼性を提供することだ。
論文 参考訳（メタデータ） (2021-11-03T05:30:42Z) - Requirement Engineering Challenges for AI-intense Systems Development [1.6563993097383285]
重要な課題は、複雑なAIインテリジェンスシステムやアプリケーションの振る舞いと品質特性の定義と保証に関係している、と私たちは主張する。
産業、輸送、ホームオートメーションに関連する複雑なAIインテンシングシステムおよびアプリケーションに関連するユースケースから4つの課題領域を導き出します。
これらの課題を解決することは、複雑なAIインテンシングシステムやアプリケーションの開発アプローチに新しい要件エンジニアリング手法を統合するプロセスサポートを暗示します。
論文 参考訳（メタデータ） (2021-03-18T14:06:13Z) - Data fusion strategies for energy efficiency in buildings: Overview,
challenges and novel orientations [2.1874189959020423]
本稿では,過剰消費を低減し,持続可能性を高めるため,既存のデータ融合機構を広範囲に調査する。
我々は,それらの概念化,優位性,課題,欠点について検討するとともに,既存のデータ融合戦略やその他の要因の分類を行う。
1次元の電力信号を2次元空間に変換して画像として扱う2次元局所テクスチャディスクリプタの融合に基づく新しい電気機器識別法を提案する。
論文 参考訳（メタデータ） (2020-09-14T12:04:30Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。