論文の概要: Predicting Dynamic Stability from Static Features in Power Grid Models using Machine Learning

• arxiv url: http://arxiv.org/abs/2210.09266v1
• Date: Mon, 17 Oct 2022 17:16:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 21:25:11.396315
• Title: Predicting Dynamic Stability from Static Features in Power Grid Models using Machine Learning
• Title（参考訳）: 機械学習を用いた電力グリッドモデルの静的特徴から動的安定性を予測する
• Authors: Maurizio Titz, Franz Kaiser, Johannes Kruse, Dirk Witthaut
• Abstract要約: 本稿では,ネットワーク科学のメトリクスと機械学習モデルを組み合わせて,非同期イベントのリスクを予測する。 我々は、複数の合成試験格子からシミュレーションデータを用いて、そのようなモデルを訓練し、テストする。 統合モデルでは,すべてのデータセットを平均化した場合の平均精度が0.996$以上のデシンクロナイゼーションイベントを予測できることがわかった。
• 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 reliable supply with electric power is vital for our society. Transmission line failures are among the biggest threats for power grid stability as they may lead to a splitting of the grid into mutual asynchronous fragments. New conceptual methods are needed to assess system stability that complement existing simulation models. In this article we propose a combination of network science metrics and machine learning models to predict the risk of desynchronisation events. Network science provides metrics for essential properties of transmission lines such as their redundancy or centrality. Machine learning models perform inherent feature selection and thus reveal key factors that determine network robustness and vulnerability. As a case study, we train and test such models on simulated data from several synthetic test grids. We find that the integrated models are capable of predicting desynchronisation events after line failures with an average precision greater than $0.996$ when averaging over all data sets. Learning transfer between different data sets is generally possible, at a slight loss of prediction performance. Our results suggest that power grid desynchronisation is essentially governed by only a few network metrics that quantify the networks ability to reroute flow without creating exceedingly high static line loadings.
• Abstract（参考訳）: 電力の信頼できる供給は我々の社会にとって不可欠だ。 送電線障害は、グリッドを相互に非同期なフラグメントに分割する可能性があるため、電力グリッドの安定性に対する最大の脅威の一つである。 既存のシミュレーションモデルを補完するシステムの安定性を評価する新しい概念的手法が必要である。 本稿では,ネットワーク科学指標と機械学習モデルを組み合わせて,非同期事象のリスクを予測する手法を提案する。 ネットワークサイエンスは、その冗長性や中心性といった伝送線路の本質的特性の指標を提供する。 機械学習モデルは固有の特徴選択を実行し、ネットワークの堅牢性と脆弱性を決定する重要な要因を明らかにする。 ケーススタディでは、複数の合成テストグリッドのシミュレーションデータを用いて、そのようなモデルを訓練し、テストする。 統合モデルでは,すべてのデータセットを平均化した場合の平均精度が0.996ドルを超えるライン障害後のデシンクロナイゼーションイベントを予測できることがわかった。 異なるデータセット間の学習転送は、予測性能のわずかな損失で一般的に可能である。 以上の結果から, 電力網の非同期化は, 極めて高い静的ラインローディングを発生させることなく, ネットワークがフローを再ロードする能力を定量化する, 少数のネットワークメトリクスによって制御されていることが示唆された。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Predicting Fault-Ride-Through Probability of Inverter-Dominated Power Grids using Machine Learning [0.0]
  インバータの大きな共有で将来の電力グリッドの動的安定性を予測する機械学習の可能性を分析する。 本研究では,合成電力グリッドの故障発生確率を,MLモデルで正確に予測できることを実証する。 また,MLモデルがIEEE-96テストシステムに一般化されることも示す。
  論文  参考訳（メタデータ） (2024-06-13T08:28:14Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
  本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。 提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
  論文  参考訳（メタデータ） (2024-06-05T04:28:57Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• 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)
• Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks [6.09170287691728]
  本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。 次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。 この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
  論文  参考訳（メタデータ） (2022-02-08T05:49:06Z)
• Data-Driven Interaction Analysis of Line Failure Cascading in Power Grid Networks [0.0]
  パワーグリッドネットワークにおける障害カスケードのラインインタラクションをモデル化するために、機械学習ツールを使用します。 まず、最初のランダムな故障の後、連続するライン障害を再現した軌跡のデータセットを収集する。 次に、モデルパワーネットワークにおける実際の制約を、システムが安定した状態に収まるまで検討する。
  論文  参考訳（メタデータ） (2021-12-02T09:04:01Z)
• Power-grid stability prediction using transferable machine learnings [2.1640200483378953]
  電力系統同期の安定性を推定する機械学習手法を検討する。 我々は2種類の合成電力グリッドで3種類の機械学習アルゴリズムを訓練する。 3つの機械学習モデルは、異種入力電力分布で訓練されたときに、電力グリッドノードの同期安定性をより良く予測する。
  論文  参考訳（メタデータ） (2021-05-17T01:19:01Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。