論文の概要: A methodology for identifying resiliency in renewable electrical
distribution system using complex network
- arxiv url: http://arxiv.org/abs/2208.11543v1
- Date: Wed, 24 Aug 2022 13:41:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 13:36:55.548403
- Title: A methodology for identifying resiliency in renewable electrical
distribution system using complex network
- Title（参考訳）: 複雑ネットワークを用いた再生可能電気配電系統のレジリエンス同定手法
- Authors: Divyanshi Dwivedi, Pradeep Kumar Yemula, Mayukha Pal
- Abstract要約: 太陽PV生成に組み込んだ場合の配電系統のレジリエンスを同定するために,複雑なネットワーク理論を用いた手法を提案する。
提案手法は, 変化に非常に敏感なクリティカルノードを同定し, システムに非抵抗性を持たせる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recently, Electrical Distribution Systems are extensively penetrated with the
Distributed Energy Resources (DERs) to cater the energy demands with general
perception that it enhances the system resiliency. However, it may be adverse
for the grid operation due to various factors like its intermittent
availability, dynamics in weather condition, introduction of nonlinearity,
complexity etc. This needs a detailed understanding of system resiliency that
our method proposes here. We introduce a methodology using complex network
theory to identify the resiliency of distribution system when incorporated with
Solar PV generation under various undesirable configurations. Complex
correlated networks for different conditions were obtained and various network
parameters were computed for identifying the resiliency of those networks. The
proposed methodology identifies the hosting capacity of solar panels in the
system while maintaining the resiliency under different unwanted conditions
hence helps to obtain an optimal allocation topology for solar panels in the
system. The proposed method also identifies the critical nodes that are highly
sensitive to the changes and could drive the system into non-resiliency. This
framework was demonstrated on IEEE-123 Test Feeder system with time-series data
generated using GridLAB-D and variety of analysis were performed using complex
network and machine learning models.
- Abstract（参考訳）: 近年,電力供給システムは分散エネルギー資源(ders)によって広範囲に浸透し,エネルギー需要にシステムのレジリエンスを高めるという一般的な認識を満たしている。
しかし、断続的な可用性、気象条件のダイナミクス、非線形性の導入、複雑さなど様々な要因により、グリッド操作に悪影響を及ぼす可能性がある。
本手法が提案するシステムレジリエンスの詳細な理解が必要である。
本研究では、複雑なネットワーク理論を用いて、ソーラーPV生成に組み込んだ配電系統の弾力性を特定する手法を提案する。
異なる条件の複雑な相関ネットワークを求め,これらのネットワークのレジリエンスを同定するために様々なネットワークパラメータを算出した。
提案手法は, 異なる条件下での耐力を維持しつつ, システム内のソーラーパネルのホスト容量を同定し, システム内のソーラーパネルの最適配置トポロジーを得るのに役立つ。
提案手法では,変更に対して高い感度を持ち,非レジリエンスに移行可能なクリティカルノードの同定も行う。
このフレームワークは、GridLAB-Dを用いて時系列データを生成するIEEE-123 Test Feederシステム上で実証され、複雑なネットワークと機械学習モデルを用いて様々な分析が行われた。
関連論文リスト
- SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency [6.201026565902282]
ネットワーク制限を考慮に入れた最適なロードシェディング(OLS)は、同時実行シナリオの多様なシステム全体への影響に対処する可能性がある。
本稿では、ニューラルネットワーク(NN)モデルのオフライントレーニングを活用して、個別の負荷センターに分散した設計を行い、OLSソリューションを自律的に構築する。
我々のLearning-for-OLSアプローチは、オンライン緊急応答における計算と通信の必要性を大幅に削減できる。
論文 参考訳（メタデータ） (2024-05-09T03:19:20Z) - Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach [8.326834499339107]
本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。
ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。
その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
論文 参考訳（メタデータ） (2023-12-31T10:03:08Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - 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) - Data-Driven Approach to form Energy Resilient Smart Microgrids with
Identification of Vulnerable Nodes in Active Electrical Distribution Network [0.0]
電気配電網におけるノード識別の弱いDERを最適に割り当てる手法を提案する。
分布系をグラフ理論とグラフニューラルネットワーク(GNN)アーキテクチャを用いて最適マイクログリッドに分割した。
脆弱なノード上のDERの配置により、ネットワークの信頼性とレジリエンスが向上した。
論文 参考訳（メタデータ） (2022-08-24T17:39:36Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳（メタデータ） (2022-06-08T07:48:42Z) - Knowledge- and Data-driven Services for Energy Systems using Graph
Neural Networks [0.9809636731336702]
グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。
このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。
実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
論文 参考訳（メタデータ） (2021-03-12T13:00:01Z) - 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) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。