論文の概要: Learning the Evolution of Correlated Stochastic Power System Dynamics
- arxiv url: http://arxiv.org/abs/2207.13310v1
- Date: Wed, 27 Jul 2022 05:46:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 14:08:48.165813
- Title: Learning the Evolution of Correlated Stochastic Power System Dynamics
- Title(参考訳): 相関確率パワーシステムのダイナミクスの進化を学習する
- Authors: Tyler E. Maltba (1 & 2), Vishwas Rao (1), Daniel Adrian Maldonado (1)
((1) Argonne National Laboratory, (2) UC Berkeley)
- Abstract要約: 実数値利得の確率密度関数に対する一次元線形偏微分方程式を学習する。
この方法は高次元システムに適しており、次元性の呪いを軽減するのに役立つ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A machine learning technique is proposed for quantifying uncertainty in power
system dynamics with spatiotemporally correlated stochastic forcing. We learn
one-dimensional linear partial differential equations for the probability
density functions of real-valued quantities of interest. The method is suitable
for high-dimensional systems and helps to alleviate the curse of
dimensionality.
- Abstract(参考訳): 時空間的に相関した確率的強制を伴う電力系統力学の不確かさを定量化する機械学習手法を提案する。
実数値の利子の確率密度関数に対する一次元線形偏微分方程式を学習する。
この方法は高次元システムに適しており、次元性の呪いを軽減するのに役立つ。
関連論文リスト
- Physics-Informed Solution of The Stationary Fokker-Plank Equation for a
Class of Nonlinear Dynamical Systems: An Evaluation Study [0.0]
Fokker-Planck(FP)方程式の正確な解析解は、力学系の限られた部分集合に対してのみ利用できる。
その可能性を評価するために、FP方程式を解くために、データフリーで物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-25T13:17:34Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳(メタデータ) (2022-02-25T20:00:56Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳(メタデータ) (2021-12-10T11:09:29Z) - Computing the Invariant Distribution of Randomly Perturbed Dynamical
Systems Using Deep Learning [9.053926666240118]
不変分布はランダムな摂動力学系の研究において重要な対象である。
フォッカー・プランク方程式に基づく不変分布の計算法は、低次元系に限られる。
一般化ポテンシャルを計算するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2021-10-22T00:45:46Z) - Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。
これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。
我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
論文 参考訳(メタデータ) (2021-09-27T17:45:42Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳(メタデータ) (2020-12-12T00:01:10Z) - Variational Autoencoders for Learning Nonlinear Dynamics of Physical
Systems [0.0]
非線形システムの並列表現を学習するために,事前の物理情報を取り込むデータ駆動手法を開発した。
本手法は、非線形状態空間モデルから学習するための変分オートエンコーダ(VAE)に基づく。
論文 参考訳(メタデータ) (2020-12-07T05:00:22Z)
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。