論文の概要: Learning Distribution Grid Topologies: A Tutorial
- arxiv url: http://arxiv.org/abs/2206.10837v1
- Date: Wed, 22 Jun 2022 04:32:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 16:10:45.803673
- Title: Learning Distribution Grid Topologies: A Tutorial
- Title（参考訳）: 分散グリッドトポロジを学習する: チュートリアル
- Authors: Deepjyoti Deka, Vassilis Kekatos, Guido Cavraro
- Abstract要約: このチュートリアルは、トポロジの同定と検出スキームに関する最近の研究の間の有用なリンクを要約し、対比し、確立する。
主な焦点は、分散グリッドにおける測定装置の可用性の制限を克服する手法を強調することである。
このチュートリアルは、研究者やエンジニアに、トラクタブルな分散グリッド学習における最先端の知識を提供することを目的としている。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unveiling feeder topologies from data is of paramount importance to advance
situational awareness and proper utilization of smart resources in power
distribution grids. This tutorial summarizes, contrasts, and establishes useful
links between recent works on topology identification and detection schemes
that have been proposed for power distribution grids.% under different regimes
of measurement type, observability, and sampling. The primary focus is to
highlight methods that overcome the limited availability of measurement devices
in distribution grids, while enhancing topology estimates using conservation
laws of power-flow physics and structural properties of feeders. Grid data from
phasor measurement units or smart meters can be collected either passively in
the traditional way, or actively, upon actuating grid resources and measuring
the feeder's voltage response. Analytical claims on feeder identifiability and
detectability are reviewed under disparate meter placement scenarios. Such
topology learning claims can be attained exactly or approximately so via
algorithmic solutions with various levels of computational complexity, ranging
from least-squares fits to convex optimization problems, and from
polynomial-time searches over graphs to mixed-integer programs. This tutorial
aspires to provide researchers and engineers with knowledge of the current
state-of-the-art in tractable distribution grid learning and insights into
future directions of work.
- Abstract（参考訳）: データからのフィーダトポロジーの公開は、電力配電網における状況認識とスマートリソースの適切な活用を進める上で最も重要なものである。
本チュートリアルでは,近年の送電網に提案されているトポロジー同定と検出スキームの関連を要約,対比,確立する。
%であった。
主な焦点は、配電網における測定装置の可用性の限界を克服し、電力フロー物理の保存則と供給者の構造特性を用いたトポロジー推定を向上することである。
ファサー測定ユニットやスマートメーターからのグリッドデータは、グリッドリソースを作動させ、供給者の電圧応答を測定することによって、従来の方法で受動的に収集することができる。
異なるメータ配置シナリオ下で, 供給者の識別性と検出性に関する解析的主張をレビューする。
このようなトポロジ学習の主張は、最小二乗から凸最適化問題、グラフ上の多項式時間探索から混合整数プログラムまで、様々なレベルの計算複雑性を持つアルゴリズム的解によって、正確にあるいは概ね達成することができる。
このチュートリアルは、研究者やエンジニアに現在の最先端の分散グリッド学習と今後の仕事の方向性に関する洞察を提供することを目的としている。
関連論文リスト
- Sparse Feature Circuits: Discovering and Editing Interpretable Causal Graphs in Language Models [55.19497659895122]
本稿ではスパース特徴回路の発見と適用方法を紹介する。
これらは言語モデルの振る舞いを説明するための人間の解釈可能な特徴の因果関係の著作である。
論文 参考訳（メタデータ） (2024-03-28T17:56:07Z) - A Heterogeneous Graph-Based Multi-Task Learning for Fault Event Diagnosis in Smart Grid [1.6385815610837167]
断層の検出,位置決定,分類が可能な異種多タスク学習グラフニューラルネットワーク(MTL-GNN)を提案する。
グラフニューラルネットワーク(GNN)を使用することで、分布システムのトポロジ的表現を学習することができる。
本研究は,分散システムにおけるキーノードを識別する新しいGNNに基づく説明可能性手法を提案する。
論文 参考訳（メタデータ） (2023-09-18T16:35:30Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - 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) - Bayesian Error-in-Variables Models for the Identification of Power
Networks [0.0]
アクセタンス行列の信頼できる推定は、時間的に異なる格子に対して欠落するか、すぐに時代遅れになる可能性がある。
マイクロPMUから収集した電圧と電流を利用したデータ駆動型識別手法を提案する。
論文 参考訳（メタデータ） (2021-07-09T15:10:47Z) - Resilient Identification of Distribution Network Topology [0.0]
本稿では,DERMSで利用可能な測定値のみに依存するネットワークTI関数を提案する。
提案手法は,ネットワークスイッチング構成と保護装置の状態を同定する。
計算負荷が低いため、このアプローチは高速トラックであり、リアルタイムアプリケーションに適用できる。
論文 参考訳（メタデータ） (2020-11-16T14:23:56Z) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳（メタデータ） (2020-09-15T02:01:47Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Identification of AC Networks via Online Learning [0.0]
本稿では,トポロジ情報と線パラメータを抽出したネットワークアクセタンス行列を推定するオンライン学習手法を提案する。
提案手法は既存の手法を改良し,現実的なテストベッドの数値的研究によりその有効性を実証した。
論文 参考訳（メタデータ） (2020-03-13T11:40:53Z)
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。