論文の概要: Just-In-Time Learning for Operational Risk Assessment in Power Grids

• arxiv url: http://arxiv.org/abs/2209.12762v1
• Date: Mon, 26 Sep 2022 15:11:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 18:38:41.883818
• Title: Just-In-Time Learning for Operational Risk Assessment in Power Grids
• Title（参考訳）: 電力系統の運転リスク評価のためのジャストインタイム学習
• Authors: Oliver Stover, Pranav Karve, Sankaran Mahadevan, Wenbo Chen, Haoruo Zhao, Mathieu Tanneau, Pascal Van Hentenryck
• Abstract要約: 再生可能エネルギーのかなりのシェアを持つグリッドでは、オペレーターは運用リスクを評価するための追加のツールが必要である。 本稿では,Just-In-Time Risk Assessment Learning Framework (JITRALF) を代替として提案する。 JITRALFは、リスクを見積もるために必要な量を予測するために、機械学習(ML)を使用して、1日に1時間に1回のリスクサロゲートをトレーニングする。
• 参考スコア（独自算出の注目度）: 12.939739997360016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a grid with a significant share of renewable generation, operators will need additional tools to evaluate the operational risk due to the increased volatility in load and generation. The computational requirements of the forward uncertainty propagation problem, which must solve numerous security-constrained economic dispatch (SCED) optimizations, is a major barrier for such real-time risk assessment. This paper proposes a Just-In-Time Risk Assessment Learning Framework (JITRALF) as an alternative. JITRALF trains risk surrogates, one for each hour in the day, using Machine Learning (ML) to predict the quantities needed to estimate risk, without explicitly solving the SCED problem. This significantly reduces the computational burden of the forward uncertainty propagation and allows for fast, real-time risk estimation. The paper also proposes a novel, asymmetric loss function and shows that models trained using the asymmetric loss perform better than those using symmetric loss functions. JITRALF is evaluated on the French transmission system for assessing the risk of insufficient operating reserves, the risk of load shedding, and the expected operating cost.
• Abstract（参考訳）: 再生可能エネルギーのかなりのシェアを持つグリッドでは、負荷と発電のボラティリティの増加による運転リスクを評価するための追加のツールが必要である。 セキュリティ制約付き経済派遣(SCED)最適化を多数解決しなければならない前方不確実性伝播問題の計算要求は、そのようなリアルタイムリスク評価の大きな障壁である。 本稿では,Just-In-Time Risk Assessment Learning Framework (JITRALF) を代替として提案する。 JITRALFは、SCED問題を明示的に解決することなく、リスクを見積るために必要な量を予測するために機械学習(ML)を使用して、1日毎のリスク代理をトレーニングする。 これは前方の不確実性伝播の計算負荷を大幅に削減し、高速でリアルタイムなリスク推定を可能にする。 また,新しい非対称損失関数を提案し,非対称損失を用いたモデルが非対称損失関数を用いたモデルよりも優れた性能を示す。 JITRALFは、運転準備不足のリスク、負荷削減のリスク、期待される運転コストを評価するために、フランスの送信システム上で評価される。

関連論文リスト

• Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions [3.2162648244439684]
  本稿では,リスク・アット・リスク(VaR)と条件値アット・リスク(CVaR)をトランスフォーマーモデルに組み込んだ新たなロス・アット・リスク(Los-at-Risk)を導入する。 この統合により、Transformerモデルは潜在的に極端な損失を認識でき、高い財務上の決定を処理できる能力をさらに改善できる。 我々のロス・アット・リスク機能はトランスフォーマーのリスク予測と管理能力を改善することを実証するために、高度に揮発性のある財務データセットを用いて一連の実験を行った。
  論文  参考訳（メタデータ） (2024-11-04T19:44:43Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock Recommendation via Split Variational Adversarial Training [44.7991257631318]
  本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。 株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
  論文  参考訳（メタデータ） (2023-04-20T12:10:12Z)
• Risk-Averse Reinforcement Learning via Dynamic Time-Consistent Risk Measures [10.221369785560785]
  本稿では,マルコフ決定過程(MDP)における報酬列の動的リスクを最大化する問題について考察する。 予測と条件付きリスクリスク(CVaR)の凸結合を特別な一段階の条件付きリスク尺度として用いて、我々は、リスク回避型MDPを、強化されたアクション空間を持つリスク中立型として再構成し、即時報酬の操作を行う。 本研究は,リスク・アバース・セッティングが分散を低減し,その結果のロバスト性を高めることを示唆するものである。
  論文  参考訳（メタデータ） (2023-01-14T21:43:18Z)
• Estimating value at risk: LSTM vs. GARCH [0.0]
  本稿では,Long Short-term memory (LSTM) ニューラルネットワークを用いたリスクリスク推定手法を提案する。 その結果,比較的短い時系列であっても,LSTMはリスク推定プロセスの洗練や監視に有効であることが示唆された。 シミュレーションデータと市場データの両方において、LSTMは、シミュレーションデータ上でのGARCH推定と類似した性能を示す。
  論文  参考訳（メタデータ） (2022-07-21T15:26:07Z)
• A Survey of Risk-Aware Multi-Armed Bandits [84.67376599822569]
  我々は、様々な利害リスク対策をレビューし、その特性についてコメントする。 我々は,探索と探索のトレードオフが現れる,後悔の最小化設定のためのアルゴリズムを検討する。 今後の研究の課題と肥大化についてコメントし、締めくくりに締めくくります。
  論文  参考訳（メタデータ） (2022-05-12T02:20:34Z)
• Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
  リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。 特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。 迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
  論文  参考訳（メタデータ） (2022-05-10T19:40:52Z)
• Detecting and Mitigating Test-time Failure Risks via Model-agnostic Uncertainty Learning [30.86992077157326]
  本稿では,すでに訓練済みのブラックボックス分類モデルの失敗リスクと予測的不確かさを推定するための,ポストホックメタラーナーであるリスクアドバイザを紹介する。 リスクアドバイザは、リスクスコアの提供に加えて、不確実性見積を、アレタリックおよびエピステマティックな不確実性コンポーネントに分解する。 ブラックボックス分類モデルおよび実世界および合成データセットのさまざまなファミリーの実験は、リスクアドバイザーがデプロイメント時の障害リスクを確実に予測していることを示している。
  論文  参考訳（メタデータ） (2021-09-09T17:23:31Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)

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。