論文の概要: Fast Transient Stability Prediction Using Grid-informed Temporal and
Topological Embedding Deep Neural Network
- arxiv url: http://arxiv.org/abs/2201.09245v1
- Date: Sun, 23 Jan 2022 12:22:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:47:39.229707
- Title: Fast Transient Stability Prediction Using Grid-informed Temporal and
Topological Embedding Deep Neural Network
- Title（参考訳）: 格子インフォームドテンポラル・トポロジカル埋め込みニューラルネットを用いた高速過渡安定予測
- Authors: Peiyuan Sun, Long Huo, Siyuan Liang, and Xin Chen
- Abstract要約: 本稿では,時間的および位相的埋め込み型ディープニューラルネットワーク(TTEDNN)モデルを提案する。
TTEDNNモデルは、時系列データから時間的・トポロジ的特徴を抽出することにより、過渡安定性を正確かつ効率的に予測することができる。
以上の結果から,TTEDNNモデルは最高の,最も堅牢な予測性能を有することがわかった。
- 参考スコア（独自算出の注目度）: 4.116150060665464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transient stability prediction is critically essential to the fast online
assessment and maintaining the stable operation in power systems. The wide
deployment of phasor measurement units (PMUs) promotes the development of
data-driven approaches for transient stability assessment. This paper proposes
the temporal and topological embedding deep neural network (TTEDNN) model to
forecast transient stability with the early transient dynamics. The TTEDNN
model can accurately and efficiently predict the transient stability by
extracting the temporal and topological features from the time-series data of
the early transient dynamics. The grid-informed adjacency matrix is used to
incorporate the power grid structural and electrical parameter information. The
transient dynamics simulation environments under the single-node and
multiple-node perturbations are used to test the performance of the TTEDNN
model for the IEEE 39-bus and IEEE 118-bus power systems. The results show that
the TTEDNN model has the best and most robust prediction performance.
Furthermore, the TTEDNN model also demonstrates the transfer capability to
predict the transient stability in the more complicated transient dynamics
simulation environments.
- Abstract（参考訳）: 過渡安定予測は、電力系統における安定運転の迅速なオンライン評価と維持に不可欠である。
ファサー測定ユニット(PMU)の広範な展開は、過渡安定度評価のためのデータ駆動アプローチの開発を促進する。
本稿では,時間的および位相的埋め込み型深層ニューラルネットワーク(ttednn)モデルを提案する。
TTEDNNモデルは、初期過渡ダイナミクスの時系列データから時間的および位相的特徴を抽出することにより、過渡安定性を高精度かつ効率的に予測することができる。
グリッドインフォームド隣接行列は、電力グリッド構造および電気パラメータ情報を組み込むために使用される。
IEEE 39-bus と IEEE 118-bus の TTEDNN モデルの性能試験には, 単一ノードと複数ノードの摂動下での過渡的ダイナミクスシミュレーション環境を用いる。
その結果,TTEDNNモデルが最も優れ,かつ堅牢な予測性能を示した。
さらに,ttednnモデルでは,より複雑な過渡力学シミュレーション環境での過渡安定性を予測する伝達能力も示している。
関連論文リスト
- DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership [12.6020349733674]
本稿では,システムワイドライダーシップ予測のためのハイブリッドディープラーニングモデルであるDST-TransitNetを紹介する。
ボゴタのBRTシステムデータでテストされており、3つの異なる社会的シナリオがある。
最先端のモデルを精度、効率、堅牢性で上回る。
論文 参考訳（メタデータ） (2024-10-19T06:59:39Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Spatio-Temporal Fluid Dynamics Modeling via Physical-Awareness and Parameter Diffusion Guidance [18.861739607401322]
本稿では,時空間流体力学モデリングのための2段階フレームワークST-PADを提案する。
上流では時間特性を持つベクトル再構成モジュールを設計する。
下流では、パラメータを含む拡散確率ネットワークを用いて、流体の高品質な将来状態を生成する。
論文 参考訳（メタデータ） (2024-03-18T14:57:47Z) - Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of
Transient Stability for Changing Power Grid Topologies [4.344709230906635]
GEDF-SCLモデルでは、教師付きコントラスト学習を用いてGEDFの過渡安定性を予測する。
その結果,GEDF-SCLモデルは過渡安定度予測において高い精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-08-01T13:30:36Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - Brain-Inspired Spiking Neural Network for Online Unsupervised Time
Series Prediction [13.521272923545409]
連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。
CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。
提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-04-10T16:18:37Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Spatiotemporal convolutional network for time-series prediction and
causal inference [21.895413699349966]
時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。
このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-07-03T06:20:43Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。