論文の概要: Deep Learning for Optimal Volt/VAR Control using Distributed Energy
Resources
- arxiv url: http://arxiv.org/abs/2211.09557v1
- Date: Thu, 17 Nov 2022 14:27:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 17:04:58.675888
- Title: Deep Learning for Optimal Volt/VAR Control using Distributed Energy
Resources
- Title(参考訳): 分散型エネルギー資源を用いた最適ボルト/VAR制御のための深層学習
- Authors: Sarthak Gupta, Spyros Chatzivasileiadis, and Vassilis Kekatos
- Abstract要約: 最適ルール設計(ORD)問題に対処するディープニューラルネットワーク(DNN)を開発した。
DNNはグリッド条件を入力とし、ルールパラメータを重みとして使用し、平衡電圧を出力として計算する。
学習課題は、効率的なディープラーニングルーチンを変更してルールパラメータの制約を強制することで解決される。
- 参考スコア(独自算出の注目度): 2.018732483255139
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given their intermittency, distributed energy resources (DERs) have been
commissioned with regulating voltages at fast timescales. Although the IEEE
1547 standard specifies the shape of Volt/VAR control rules, it is not clear
how to optimally customize them per DER. Optimal rule design (ORD) is a
challenging problem as Volt/VAR rules introduce nonlinear dynamics, require
bilinear optimization models, and lurk trade-offs between stability and
steady-state performance. To tackle ORD, we develop a deep neural network (DNN)
that serves as a digital twin of Volt/VAR dynamics. The DNN takes grid
conditions as inputs, uses rule parameters as weights, and computes equilibrium
voltages as outputs. Thanks to this genuine design, ORD is reformulated as a
deep learning task using grid scenarios as training data and aiming at driving
the predicted variables being the equilibrium voltages close to unity. The
learning task is solved by modifying efficient deep-learning routines to
enforce constraints on rule parameters. In the course of DNN-based ORD, we also
review and expand on stability conditions and convergence rates for Volt/VAR
rules on single-/multi-phase feeders. To benchmark the optimality and runtime
of DNN-based ORD, we also devise a novel mixed-integer nonlinear program
formulation. Numerical tests showcase the merits of DNN-based ORD.
- Abstract(参考訳): 断続性を考えると、分散エネルギー資源(DER)は高速な時間スケールで電圧を制御するよう依頼されている。
IEEE 1547標準ではVolt/VAR制御ルールの形状が規定されているが、DERごとに最適なカスタマイズ方法が明確ではない。
最適ルール設計(ord)は、volt/varルールが非線形ダイナミクスを導入し、双線形最適化モデルが必要となり、安定性と定常性能のトレードオフが生じるため、難しい問題である。
ORDに取り組むために、Volt/VARダイナミクスのディジタルツインとして機能するディープニューラルネットワーク(DNN)を開発した。
DNNはグリッド条件を入力として、ルールパラメータを重みとして、平衡電圧を出力として計算する。
この真の設計により、ORDはグリッドシナリオをトレーニングデータとして使用し、単体に近い平衡電圧である予測変数を駆動する深層学習タスクとして再編成される。
学習課題は、効率的なディープラーニングルーチンを変更してルールパラメータの制約を強制することで解決される。
DNNベースのORDでは,単相/多相給電装置におけるVolt/VAR規則の安定性条件と収束率についても検討・拡張する。
DNNベースのORDの最適性と実行性をベンチマークするために、新しい混合整数非線形プログラムの定式化を考案する。
数値実験は、DNNベースのORDの利点を示す。
関連論文リスト
- Physics-Guided Graph Neural Networks for Real-time AC/DC Power Flow
Analysis [6.9065457480507995]
本稿では,電力フロー解析のための物理誘導型グラフニューラルネットワーク(PG-GNN)を提案する。
ケースでは、提案手法のみがACモデルベースのベンチマークと一致し、計算効率が10倍を超えることも示している。
論文 参考訳(メタデータ) (2023-04-29T09:58:15Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳(メタデータ) (2023-04-27T17:42:24Z) - Scalable Optimal Design of Incremental Volt/VAR Control using Deep
Neural Networks [2.018732483255139]
深層ニューラルネットワーク(DNN)のトレーニングとして最適ルール設計(ORD)を改訂し,スケーラブルなソリューションを提案する。
我々は、深層ニューラルネットワーク(DNN)のトレーニングとしてORDを再構成することでスケーラブルなソリューションを考案した。
分析結果と数値実験により,提案したORD溶液が単相/多相供給装置に適切に適用可能であることが確認された。
論文 参考訳(メタデータ) (2023-01-04T04:19:12Z) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳(メタデータ) (2022-10-17T17:30:09Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳(メタデータ) (2022-03-03T19:56:24Z) - LCS: Learning Compressible Subspaces for Adaptive Network Compression at
Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。
構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。
我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文 参考訳(メタデータ) (2021-10-08T17:03:34Z) - Controlling Smart Inverters using Proxies: A Chance-Constrained
DNN-based Approach [4.974932889340055]
ディープニューラルネットワーク(DNN)は、最適なインバータスケジュールを学習できますが、実現可能性の保証はほとんどありません。
この研究は、DNNベースのインバータポリシーを最適電力フロー(OPF)に統合する。
数値テストでは、dnnベースのインバータ制御スキームと最適インバータセットポイントを最適性と実現可能性の観点から比較する。
論文 参考訳(メタデータ) (2021-05-02T09:21:41Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-03-27T00:45:23Z) - QRnet: optimal regulator design with LQR-augmented neural networks [2.8725913509167156]
本研究では,高次元非線形系の最適レギュレータを設計するための新しい計算手法を提案する。
提案手法は,高次元ハミルトン・ヤコビ・ベルマン方程式を解くために物理インフォームド・機械学習を利用する。
我々は、状態空間を離散化せずに生成されたデータに基づいて拡張モデルを訓練し、高次元問題への適用を可能にする。
論文 参考訳(メタデータ) (2020-09-11T23:50:17Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳(メタデータ) (2020-06-02T23:38:35Z)
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。