論文の概要: Distribution-Aware Graph Representation Learning for Transient Stability
Assessment of Power System
- arxiv url: http://arxiv.org/abs/2205.06576v1
- Date: Thu, 12 May 2022 12:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-16 14:05:31.749495
- Title: Distribution-Aware Graph Representation Learning for Transient Stability
Assessment of Power System
- Title（参考訳）: 配電用グラフ表現学習による電力系統の過渡安定度評価
- Authors: Kaixuan Chen, Shunyu Liu, Na Yu, Rong Yan, Quan Zhang, Jie Song,
Zunlei Feng, Mingli Song
- Abstract要約: 電力系統の安全運転において, リアルタイム過渡安定度評価が重要な役割を担っている。
電力系統の安定性を迅速に予測するために,データ駆動型電力系統推定法を提案する。
- 参考スコア（独自算出の注目度）: 36.67852108729622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The real-time transient stability assessment (TSA) plays a critical role in
the secure operation of the power system. Although the classic numerical
integration method, \textit{i.e.} time-domain simulation (TDS), has been widely
used in industry practice, it is inevitably trapped in a high computational
complexity due to the high latitude sophistication of the power system. In this
work, a data-driven power system estimation method is proposed to quickly
predict the stability of the power system before TDS reaches the end of
simulating time windows, which can reduce the average simulation time of
stability assessment without loss of accuracy. As the topology of the power
system is in the form of graph structure, graph neural network based
representation learning is naturally suitable for learning the status of the
power system. Motivated by observing the distribution information of crucial
active power and reactive power on the power system's bus nodes, we thus
propose a distribution-aware learning~(DAL) module to explore an informative
graph representation vector for describing the status of a power system. Then,
TSA is re-defined as a binary classification task, and the stability of the
system is determined directly from the resulting graph representation without
numerical integration. Finally, we apply our method to the online TSA task. The
case studies on the IEEE 39-bus system and Polish 2383-bus system demonstrate
the effectiveness of our proposed method.
- Abstract（参考訳）: リアルタイム過渡安定性評価(TSA)は、電力系統の安全な運転において重要な役割を果たす。
古典的な数値積分法である textit{i.e.} 時間領域シミュレーション (TDS) は、産業的に広く用いられているが、電力系統の高緯度高度化のため、必然的に高い計算複雑性に閉じ込められている。
本研究では,データ駆動型電力系統推定手法を提案し,TDSが時間ウィンドウのシミュレーション終了前に電力系統の安定性を迅速に予測し,精度を損なうことなく,安定性評価の平均シミュレーション時間を短縮できることを示した。
電力システムのトポロジーはグラフ構造であるので、グラフニューラルネットワークに基づく表現学習は電力システムの状態を学習するのに自然に適している。
そこで,電力系統のバスノード上での重要なアクティブ電力分布情報と反応性電力を観測することにより,電力系統の状態を記述するための情報グラフ表現ベクトルを探索する分布認識学習～(dal)モジュールを提案する。
次に、TSAをバイナリ分類タスクとして再定義し、数値積分なしで結果のグラフ表現から直接システムの安定性を決定する。
最後に,本手法をオンラインtsaタスクに適用する。
IEEE 39-busシステムとポーランド2383-busシステムのケーススタディにより,提案手法の有効性が示された。
関連論文リスト
- 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) - Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit
Commitment [0.5076419064097734]
SCUC(Security-Constrained Unit commitment)は、電力系統の日頭スケジューリングと市場浄化に使用される計算上の複雑なプロセスである。
本稿では,制約の空間的相関と時間的相関を本質的に考慮した,電力系統履歴データのパターンの学習に先進機械学習(ML)モデルを用いる。
ST関連MLモデルはグラフニューラルネットワーク(GNN)を考慮して空間相関を理解するために訓練される一方、時間列は長期記憶(LSTM)ネットワークを用いて研究される。
論文 参考訳（メタデータ） (2023-06-02T14:31:24Z) - Transferable Deep Learning Power System Short-Term Voltage Stability
Assessment with Physics-Informed Topological Feature Engineering [7.525107154126671]
ディープラーニングアルゴリズムは、電力系統の短期電圧安定性評価(STVS)に広く応用されている。
本稿では、PMUデータからトポロジ対応の電圧動的特徴を構築することにより、STVS評価のための転送可能なDLベースモデルを提案する。
提案手法は,微調整後のグリッドトポロジに優れた性能を示す。
論文 参考訳（メタデータ） (2023-03-13T14:05:18Z) - Identification of Power System Oscillation Modes using Blind Source
Separation based on Copula Statistic [1.8741805956888702]
再生可能エネルギー資源が大量に浸透する電力システムのダイナミクスは、より非線形になってきている。
適切な予防的または矯正的制御行動を開始するために障害を受けるとき、振動の動的モードを正確に識別することが重要である。
モーダル解析においてこれらの非線形力学に対処するために,コプラ統計に基づく高次ブラインドソース同定(HOBI)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:38:05Z) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2022-11-14T01:29:09Z) - Age of Semantics in Cooperative Communications: To Expedite Simulation
Towards Real via Offline Reinforcement Learning [53.18060442931179]
協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。
オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。
そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
論文 参考訳（メタデータ） (2022-09-19T11:55:28Z) - 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) - Robust and Fast Data-Driven Power System State Estimator Using Graph
Neural Networks [1.2891210250935146]
本稿では,グラフニューラルネットワーク(GNN)に基づくモデルトレーニング手法について,PMU電圧と電流測定から推定値を求める。
本稿では,電力系統の因子グラフ上の独自のGNN実装を提案する。
論文 参考訳（メタデータ） (2022-06-06T16:40:54Z) - 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) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
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。