論文の概要: Representative period selection for power system planning using
autoencoder-based dimensionality reduction
- arxiv url: http://arxiv.org/abs/2204.13608v1
- Date: Thu, 28 Apr 2022 16:08:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-29 16:27:32.037462
- Title: Representative period selection for power system planning using
autoencoder-based dimensionality reduction
- Title（参考訳）: オートエンコーダに基づく次元縮小を用いた電力系統計画のための代表周期選択
- Authors: Marc Barbar and Dharik S. Mallapragada
- Abstract要約: クラスタリングの前に、ニューラルネットワークベースのオートエンコーダによって達成される次元の削減。
RPS法の一部として次元減少を取り入れた影響は、対応する縮小空間CEMと全空間CEMの誤差によって定量化される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power sector capacity expansion models (CEMs) that are used for studying
future low-carbon grid scenarios must incorporate detailed representation of
grid operations. Often CEMs are formulated to model grid operations over
representative periods that are sampled from the original input data using
clustering algorithms. However, such representative period selection (RPS)
methods are limited by the declining efficacy of the clustering algorithm with
increasing dimensionality of the input data and do not consider the relative
importance of input data variations on CEM outcomes. Here, we propose a RPS
method that addresses these limitations by incorporating dimensionality
reduction, accomplished via neural network based autoencoders, prior to
clustering. Such dimensionality reduction not only improves the performance of
the clustering algorithm, but also facilitates using additional features, such
as estimated outputs produced from parallel solutions of simplified versions of
the CEM for each disjoint period in the input data (e.g. 1 week). The impact of
incorporating dimensionality reduction as part of RPS methods is quantified
through the error in outcomes of the corresponding reduced-space CEM vs. the
full space CEM. Extensive numerical experimentation across various networks and
range of technology and policy scenarios establish the superiority of the
dimensionality-reduction based RPS methods.
- Abstract（参考訳）: 将来の低炭素グリッドシナリオの研究に使用されるパワーセクタ容量拡張モデル(cems)は、グリッド操作の詳細な表現を組み込む必要がある。
しばしば、CEMはクラスタリングアルゴリズムを用いて元の入力データからサンプリングされた代表周期のグリッド操作をモデル化する。
しかし、これらの代表周期選択(RPS)法は、入力データの次元性の増大に伴うクラスタリングアルゴリズムの有効性の低下によって制限され、CEM結果に対する入力データの変動の相対的重要性は考慮されない。
本稿では,クラスタリングに先立って,ニューラルネットワークを用いたオートエンコーダによって実現される次元性低減を組み込んだrps手法を提案する。
このような次元減少はクラスタリングアルゴリズムの性能を向上するだけでなく、入力データ(例えば1週間)の各不整合周期に対して、CEMの簡易バージョンの並列解から生成される推定出力など、追加的な特徴の利用も促進する。
RPS法の一部として次元減少を取り入れた影響は、対応する縮小空間CEMと全空間CEMの誤差によって定量化される。
様々なネットワークにわたる広範囲な数値実験と、様々な技術と政策シナリオにより、次元再現法に基づくrps法の優越性が確立される。
関連論文リスト
- Accelerated sparse Kernel Spectral Clustering for large scale data
clustering problems [0.27257174044950283]
本稿では、スパースマルチウェイカーネルスペクトルクラスタリング(KSC)の改良版について述べる。
元のアルゴリズムは、プライマリ・デュアルの最小二乗サポートベクターマシン(LS-SVM)フレームワークで定式化された重み付きカーネル主成分分析から導かれる。
次に、不完全コレスキー分解(ICD)に基づくカーネル行列の低階近似といわゆるreduced set法を組み合わせることにより、スパーシリティが達成される。
論文 参考訳（メタデータ） (2023-10-20T09:51:42Z) - Randomized Dimension Reduction with Statistical Guarantees [0.27195102129095]
この論文は、高速な実行と効率的なデータ利用のためのアルゴリズムをいくつか探求している。
一般化と分散性を向上する様々なデータ拡張を組み込んだ学習アルゴリズムに着目する。
具体的には、第4章では、データ拡張整合正則化のための複雑性分析のサンプルを提示する。
論文 参考訳（メタデータ） (2023-10-03T02:01:39Z) - Detection of Anomalies in Multivariate Time Series Using Ensemble
Techniques [3.2422067155309806]
最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。
また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。
異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
論文 参考訳（メタデータ） (2023-08-06T17:51:22Z) - A Meta-Learning Based Precoder Optimization Framework for Rate-Splitting
Multiple Access [53.191806757701215]
本稿では,トランスミッタ(CSIT)における部分チャネル状態情報を持つRSMAプリコーダを直接最適化するために,メタラーニングに基づく事前コーダ最適化フレームワークを提案する。
コンパクトニューラルネットワークのオーバーフィッティングを利用して、ASR(Average Sum-Rate)表現を最大化することにより、実行時間を最小化しながら、他のトレーニングデータの必要性を効果的に回避する。
数値的な結果から,メタラーニングに基づく解は,中規模シナリオにおける従来のプリコーダ最適化に類似したASR性能を実現し,大規模シナリオにおける準最適低複雑性プリコーダアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-07-17T20:31:41Z) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Efficient Cluster-Based k-Nearest-Neighbor Machine Translation [65.69742565855395]
k-Nearest-Neighbor Machine Translation (kNN-MT)は、最近、ニューラルネットワーク翻訳(NMT)におけるドメイン適応のための非パラメトリックソリューションとして提案されている。
論文 参考訳（メタデータ） (2022-04-13T05:46:31Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - A New Clustering-Based Technique for the Acceleration of Deep
Convolutional Networks [2.7393821783237184]
MCA(Model Compression and Acceleration)技術は、大規模な事前学習ネットワークをより小さなモデルに変換するために用いられる。
本稿では,採用したセントロイド/表現量を増やすクラスタリングに基づく手法を提案する。
これは、被雇用者に対して特別な構造を課すことによって達成され、これは、目の前の問題の特異性によって実現される。
論文 参考訳（メタデータ） (2021-07-19T18:22:07Z) - DANCE: DAta-Network Co-optimization for Efficient Segmentation Model
Training and Inference [85.02494022662505]
DANCEは、効率的なセグメンテーションモデルのトレーニングと推論のための自動データネットワーク協調最適化である。
入力イメージを適応的にダウンサンプル/ドロップする自動データスライミングを統合し、画像の空間的複雑さによって導かれるトレーニング損失に対するそれに対応するコントリビューションを制御する。
実験と非難研究により、DANCEは効率的なセグメンテーションに向けて「オールウィン」を達成できることを示した。
論文 参考訳（メタデータ） (2021-07-16T04:58:58Z) - Unsupervised learning of disentangled representations in deep restricted
kernel machines with orthogonality constraints [15.296955630621566]
Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。
本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
論文 参考訳（メタデータ） (2020-11-25T11:40:10Z)
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。