Fugu-MT 論文翻訳(概要): Data-driven Models to Anticipate Critical Voltage Events in Power Systems

論文の概要: Data-driven Models to Anticipate Critical Voltage Events in Power Systems

arxiv url: http://arxiv.org/abs/2207.11803v1
Date: Sun, 24 Jul 2022 20:24:27 GMT
ステータス: 処理完了
システム内更新日: 2022-07-26 14:11:41.525147
Title: Data-driven Models to Anticipate Critical Voltage Events in Power Systems
Title（参考訳）: 電力系統における臨界電圧事象予測のためのデータ駆動モデル
Authors: Fabrizio De Caro, Adam J. Collin, Alfredo Vaccaro (University of Sannio)
Abstract要約: 本稿では, 単純な分類ラベルを用いた電力系統の電圧変動事象予測におけるデータ駆動モデルの有効性について検討する。相当量の風力発電を担っているイタリアの150kVサブミッションネットワークの実際の部分に関する概念実証ケーススタディは、この提案の一般的な妥当性を実証している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper explores the effectiveness of data-driven models to predict voltage excursion events in power systems using simple categorical labels. By treating the prediction as a categorical classification task, the workflow is characterized by a low computational and data burden. A proof-of-concept case study on a real portion of the Italian 150 kV sub-transmission network, which hosts a significant amount of wind power generation, demonstrates the general validity of the proposal and offers insight into the strengths and weaknesses of several widely utilized prediction models for this application.
Abstract（参考訳）: 本稿では,単純なカテゴリラベルを用いた電力系統の電圧変動予測におけるデータ駆動モデルの有効性について検討する。予測をカテゴリー分類タスクとして扱うことにより、計算量とデータ負担の少ないワークフローを特徴付ける。相当量の風力発電を担っているイタリアの150kVサブミッションネットワークの実際の部分に関する概念実証ケーススタディでは、提案提案の一般的な妥当性を示し、この応用のために広く利用されている予測モデルの長所と短所について考察する。

関連論文リスト

Conformalized Prediction of Post-Fault Voltage Trajectories Using Pre-trained and Finetuned Attention-Driven Neural Operators [9.336308366735656]
本稿では,電力系統における後電圧トラジェクトリの間隔を予測するための新しいデータ駆動手法を提案する。提案した演算子回帰モデルでは、電圧軌跡の観測された部分を、観測後の未観測軌跡にマッピングする。ニューイングランド39バス試験システムを用いて提案手法の性能評価を行った。
論文参考訳（メタデータ） (2024-10-31T17:20:13Z)
Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文参考訳（メタデータ） (2024-08-24T18:28:19Z)
Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文参考訳（メタデータ） (2023-07-14T06:50:02Z)
Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文参考訳（メタデータ） (2023-06-13T12:43:59Z)
Sequence-to-Sequence Forecasting-aided State Estimation for Power Systems [0.0]
本稿では,マルチステップの電力系統状態推定をリアルタイムに正確に予測するエンドツーエンドのディープラーニングフレームワークを提案する。双方向ゲートリカレントユニット(BiGRU)をモデルに組み込んで高い予測精度を実現する。
論文参考訳（メタデータ） (2023-05-22T16:46:37Z)
Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
論文参考訳（メタデータ） (2023-03-15T09:03:58Z)
A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文参考訳（メタデータ） (2023-03-02T21:48:22Z)
A Robust Data-driven Process Modeling Applied to Time-series Stochastic Power Flow [2.7356119162292654]
提案モデルでは, 電圧ファサードとインジェクションの時系列データをトレーニングし, 時系列の電力フロー計算を行う。シミュレーションの結果,提案したロバストモデルではトレーニングデータセットの最大25%のアウトレーヤを処理可能であることがわかった。
論文参考訳（メタデータ） (2023-01-06T18:55:44Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Quadratic mutual information regularization in real-time deep CNN models [51.66271681532262]
擬似相互情報による正規化手法を提案する。種々の二項分類問題の実験を行い,提案モデルの有効性を示した。
論文参考訳（メタデータ） (2021-08-26T13:14:24Z)
Random vector functional link neural network based ensemble deep learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。隠されたレイヤは、深い表現学習を強制するために積み上げられます。モデルは各層の出力をアンサンブルすることで予測を生成する。
論文参考訳（メタデータ） (2021-07-30T01:20:48Z)

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。