論文の概要: Closing the Loop: A Framework for Trustworthy Machine Learning in Power
Systems
- arxiv url: http://arxiv.org/abs/2203.07505v1
- Date: Mon, 14 Mar 2022 21:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 12:23:40.871378
- Title: Closing the Loop: A Framework for Trustworthy Machine Learning in Power
Systems
- Title(参考訳): Closing the Loop: パワーシステムにおける信頼できる機械学習のためのフレームワーク
- Authors: Jochen Stiasny, Samuel Chevalier, Rahul Nellikkath, Brynjar
S{\ae}varsson, Spyros Chatzivasileiadis
- Abstract要約: エネルギーセクターの深い脱炭には、再生可能エネルギー資源の大量侵入と膨大なグリッドアセット調整が必要である。
機械学習(ML)は、今後数十年で電力システムが変化していくにつれて、これらの課題を克服するのに役立つ。
物理シミュレーションデータから学習した信頼性の高いMLモデル構築に関わる5つの課題を概説する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep decarbonization of the energy sector will require massive penetration of
stochastic renewable energy resources and an enormous amount of grid asset
coordination; this represents a challenging paradigm for the power system
operators who are tasked with maintaining grid stability and security in the
face of such changes. With its ability to learn from complex datasets and
provide predictive solutions on fast timescales, machine learning (ML) is
well-posed to help overcome these challenges as power systems transform in the
coming decades. In this work, we outline five key challenges (dataset
generation, data pre-processing, model training, model assessment, and model
embedding) associated with building trustworthy ML models which learn from
physics-based simulation data. We then demonstrate how linking together
individual modules, each of which overcomes a respective challenge, at
sequential stages in the machine learning pipeline can help enhance the overall
performance of the training process. In particular, we implement methods that
connect different elements of the learning pipeline through feedback, thus
"closing the loop" between model training, performance assessments, and
re-training. We demonstrate the effectiveness of this framework, its
constituent modules, and its feedback connections by learning the N-1
small-signal stability margin associated with a detailed model of a proposed
North Sea Wind Power Hub system.
- Abstract(参考訳): エネルギーセクターの深い脱炭素化は、確率的再生可能エネルギー資源の大規模な浸透と膨大なグリッドアセットの調整を必要とする。
複雑なデータセットから学習し、高速な時間スケールで予測ソリューションを提供する能力によって、機械学習(ML)は、今後数十年で電力システムが変化していくにつれて、これらの課題を克服するのに役立つ。
本研究では,物理に基づくシミュレーションデータから学習した信頼性の高いMLモデル構築に関連する5つの課題(データセット生成,データ前処理,モデルトレーニング,モデル評価,モデル埋め込み)を概説する。
次に,機械学習パイプラインの逐次段階において,各課題を克服する個々のモジュールのリンクが,トレーニングプロセスの全体的なパフォーマンス向上に役立つことを示す。
特に、フィードバックを通じて学習パイプラインの異なる要素を接続する手法を実装し、モデルトレーニング、パフォーマンス評価、再トレーニングの間を「ループを閉じる」。
提案する北海風力ハブシステムの詳細モデルに付随するN-1小信号安定性マージンを学習することにより,本フレームワークの有効性,構成モジュール,およびフィードバック接続の有効性を実証する。
関連論文リスト
- Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-29T07:15:57Z) - Characterizing the load profile in power grids by Koopman mode
decomposition of interconnected dynamics [0.6629765271909505]
本稿では,データ駆動手法を用いて負荷動態を同定する,解釈可能な機械学習手法を提案する。
我々は、基礎となる力学に固有のクープマン演算子を用いて負荷データを表現している。
ヨーロッパ大陸の電力系統における再生可能電力系統の大規模データセットを用いて,本手法の評価を行った。
論文 参考訳(メタデータ) (2023-04-16T16:56:52Z) - Learning a model is paramount for sample efficiency in reinforcement
learning control of PDEs [5.488334211013093]
RLエージェントの訓練と並行して動作モデルを学ぶことで,実システムからサンプリングしたデータ量を大幅に削減できることを示す。
また、RLトレーニングのバイアスを避けるために、モデルを反復的に更新することが重要であることも示している。
論文 参考訳(メタデータ) (2023-02-14T16:14:39Z) - 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) - Deep Reinforcement Learning for Computational Fluid Dynamics on HPC
Systems [17.10464381844892]
強化学習(Reinforcement Learning, RL)は、動的システムの文脈における制御戦略の考案に非常に適している。
近年の研究では、RL強化計算流体力学(CFD)の解法が最先端技術を超えることが示唆されている。
我々は、機械学習とHPCシステム上の最新のCFDソルバ間のギャップを埋めるスケーラブルなRLフレームワークとしてRelexiを提示する。
論文 参考訳(メタデータ) (2022-05-13T08:21:18Z) - Robust, Deep, and Reinforcement Learning for Management of Communication
and Power Networks [6.09170287691728]
本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。
次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。
この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
論文 参考訳(メタデータ) (2022-02-08T05:49:06Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - Efficient Transformers in Reinforcement Learning using Actor-Learner
Distillation [91.05073136215886]
「Actor-Learner Distillation」は、大容量学習者モデルから小容量学習者モデルへ学習の進捗を移す。
Actor-Learner Distillation を用いて,トランスフォーマー学習モデルの明確なサンプル効率向上を再現する,いくつかの挑戦的なメモリ環境を実証する。
論文 参考訳(メタデータ) (2021-04-04T17:56:34Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-11-10T19:31:29Z) - The reinforcement learning-based multi-agent cooperative approach for
the adaptive speed regulation on a metallurgical pickling line [0.0]
提案手法は,基本アルゴリズムとしての数学的モデリングと協調型マルチエージェント強化学習システムを組み合わせたものである。
我々は、重工業における現実的なタスクに対して、Deep Q-Learningをどのように適用できるかを実証し、既存の自動化システムを大幅に改善した。
論文 参考訳(メタデータ) (2020-08-16T15:10:39Z)
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。