論文の概要: Gradient-Enhanced Physics-Informed Neural Networks for Power Systems
Operational Support
- arxiv url: http://arxiv.org/abs/2206.10579v1
- Date: Tue, 21 Jun 2022 17:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 20:28:51.213115
- Title: Gradient-Enhanced Physics-Informed Neural Networks for Power Systems
Operational Support
- Title（参考訳）: 電力系統運用支援のためのグラディエント強化物理インフォームニューラルネットワーク
- Authors: Mostafa Mohammadian, Kyri Baker and Ferdinando Fioretto
- Abstract要約: 本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。
提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
- 参考スコア（独自算出の注目度）: 36.96271320953622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The application of deep learning methods to speed up the resolution of
challenging power flow problems has recently shown very encouraging results.
However, power system dynamics are not snap-shot, steady-state operations.
These dynamics must be considered to ensure that the optimal solutions provided
by these models adhere to practical dynamical constraints, avoiding frequency
fluctuations and grid instabilities. Unfortunately, dynamic system models based
on ordinary or partial differential equations are frequently unsuitable for
direct application in control or state estimates due to their high
computational costs. To address these challenges, this paper introduces a
machine learning method to approximate the behavior of power systems dynamics
in near real time. The proposed framework is based on gradient-enhanced
physics-informed neural networks (gPINNs) and encodes the underlying physical
laws governing power systems. A key characteristic of the proposed gPINN is its
ability to train without the need of generating expensive training data. The
paper illustrates the potential of the proposed approach in both forward and
inverse problems in a single-machine infinite bus system for predicting rotor
angles and frequency, and uncertain parameters such as inertia and damping to
showcase its potential for a range of power systems applications.
- Abstract（参考訳）: パワーフロー問題の解決をスピードアップするためのディープラーニング手法の適用は、最近非常に有望な結果を示している。
しかし、電力系統のダイナミクスはスナップショットや定常操作ではない。
これらのダイナミクスは、これらのモデルによって提供される最適解が、周波数変動やグリッド不安定を回避し、実用的な動的制約に準拠することを保証するために考慮されなければならない。
残念ながら、通常の微分方程式や偏微分方程式に基づく力学系モデルは、計算コストが高いために制御や状態推定の直接適用には適さないことが多い。
これらの課題に対処するために,電力系統の動的挙動をほぼリアルタイムで近似する機械学習手法を提案する。
提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
提案したgPINNの重要な特徴は、高価なトレーニングデータを生成する必要なしにトレーニングできることだ。
本論文は、ロータ角と周波数を予測できる単機無限バスシステムにおける前方および逆問題と、慣性や減衰といった不確定なパラメータの双方における提案手法の可能性を示し、様々な電力系統応用の可能性を示す。
関連論文リスト
- Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。
単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
論文 参考訳（メタデータ） (2024-10-02T09:44:54Z) - Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy,
Computational Cost, and Flexibility [0.0]
物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。
本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。
そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
論文 参考訳（メタデータ） (2023-03-15T23:53:32Z) - Unifying physical systems' inductive biases in neural ODE using dynamics
constraints [0.0]
省エネシステムだけでなく、散逸システムにも適用可能な簡単な方法を提案する。
提案手法はニューラルネットワークアーキテクチャの変更を必要とせず,新しいアイデアを検証するための基盤を形成することができる。
論文 参考訳（メタデータ） (2022-08-03T14:33:35Z) - 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) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - DySMHO: Data-Driven Discovery of Governing Equations for Dynamical
Systems via Moving Horizon Optimization [77.34726150561087]
本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。
DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。
標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
論文 参考訳（メタデータ） (2021-07-30T20:35:03Z) - Port-Hamiltonian Neural Networks for Learning Explicit Time-Dependent
Dynamical Systems [2.6084034060847894]
動的システムの時間的挙動を正確に学習するには、十分な学習バイアスを持つモデルが必要である。
近年のイノベーションは、ハミルトン形式とラグランジュ形式をニューラルネットワークに組み込んでいる。
提案したエンポート・ハミルトンニューラルネットワークは,非線形物理系の実利的な力学を効率的に学習できることを示す。
論文 参考訳（メタデータ） (2021-07-16T17:31:54Z) - Forced Variational Integrator Networks for Prediction and Control of
Mechanical Systems [7.538482310185133]
強制的変動積分器ネットワーク(FVIN)アーキテクチャにより,エネルギー散逸と外部強制を正確に考慮できることを示す。
これにより、高データ効率のモデルベース制御が可能となり、実際の非保守的なシステムで予測できる。
論文 参考訳（メタデータ） (2021-06-05T21:39:09Z) - Physics-Informed Neural Networks for Non-linear System Identification
for Power System Dynamics [0.0]
本稿では,将来の電力系統の周波数ダイナミクスを発見するための物理情報ニューラルネットワーク(PINN)の性能について検討する。
PINNは、低慣性システムのより強い非線形性、測定ノイズの増加、データの可用性の制限といった課題に対処する可能性がある。
論文 参考訳（メタデータ） (2020-04-08T14:50:13Z)
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。