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
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Generative Modeling for Tabular Data via Penalized Optimal Transport
Network [2.0319002824093015]
Wasserstein generative adversarial network (WGAN) は、生成モデルにおいて顕著な改善である。
本稿では,新しい,頑健で解釈可能な辺縁補償型Wasserstein(MPW)損失に基づく生成型ディープニューラルネットワークPOTNetを提案する。
論文 参考訳(メタデータ) (2024-02-16T05:27:05Z) - Secure short-term load forecasting for smart grids with
transformer-based federated learning [0.0]
電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。
きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。
本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
論文 参考訳(メタデータ) (2023-10-26T15:27:55Z) - 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) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳(メタデータ) (2021-02-23T20:59:30Z) - 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。