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

• Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids [0.7037008937757394]
  本稿では3つのディープニューラルネットワーク(DNN)を提案し,PF(Power Flow)ソリューションの予測を行った。 トレーニングデータとテストデータは、OpenDSS-MATLAB COMインターフェースを介して生成される。 提案手法の新規性は、モデルが不均衡分布格子に対するPF解を正確に予測できることである。
  論文  参考訳（メタデータ） (2024-01-15T04:43:37Z)
• Transformers as Support Vector Machines [54.642793677472724]
  自己アテンションの最適化幾何と厳密なSVM問題との間には,形式的等価性を確立する。 勾配降下に最適化された1層変圧器の暗黙バイアスを特徴付ける。 これらの発見は、最適なトークンを分離し選択するSVMの階層としてのトランスフォーマーの解釈を刺激していると信じている。
  論文  参考訳（メタデータ） (2023-08-31T17:57:50Z)
• 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)
• Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
  科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。 ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。 GNNを用いて計算速度を最大90倍に向上させる。
  論文  参考訳（メタデータ） (2022-06-01T18:48:01Z)
• 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)
• 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)

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。