論文の概要: Optimal Design of Volt/VAR Control Rules of Inverters using Deep Learning
- arxiv url: http://arxiv.org/abs/2211.09557v2
- Date: Tue, 26 Mar 2024 13:54:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 01:59:27.787064
- Title: Optimal Design of Volt/VAR Control Rules of Inverters using Deep Learning
- Title(参考訳): ディープラーニングを用いたインバータのボルト/VAR制御則の最適設計
- Authors: Sarthak Gupta, Vassilis Kekatos, Spyros Chatzivasileiadis,
- Abstract要約: 電圧を規制するために、IEEE標準1547は各DERにVolt/var制御規則に従って反応電力を注入することを推奨している。
この最適規則設計(ORD)の課題は、Volt/varルールが非線形力学を導入し、安定性と定常電圧プロファイルのトレードオフを生じるため、困難である。
より効率的な解を目指して,我々はORDを深層学習問題として再検討する。
アイデアは、Volt/varのダイナミクスをエミュレートするDNNを設計することだ。
- 参考スコア(独自算出の注目度): 4.030910640265943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distribution grids are challenged by rapid voltage fluctuations induced by variable power injections from distributed energy resources (DERs). To regulate voltage, the IEEE Standard 1547 recommends each DER inject reactive power according to piecewise-affine Volt/VAR control rules. Although the standard suggests a default shape, the rule can be customized per bus. This task of optimal rule design (ORD) is challenging as Volt/VAR rules introduce nonlinear dynamics, and lurk trade-offs between stability and steady-state voltage profiles. ORD is formulated as a mixed-integer nonlinear program (MINLP), but scales unfavorably with the problem size. Towards a more efficient solution, we reformulate ORD as a deep learning problem. The idea is to design a DNN that emulates Volt/VAR dynamics. The DNN takes grid scenarios as inputs, rule parameters as weights, and outputs equilibrium voltages. Optimal rule parameters can be found by training the DNN so its output approaches unity for various scenarios. The DNN is only used to optimize rules and is never employed in the field. While dealing with ORD, we also review and expand on stability conditions and convergence rates for Volt/VAR dynamics on single- and multi-phase feeders. Tests showcase the merit of DNN-based ORD by benchmarking it against its MINLP counterpart.
- Abstract(参考訳): 配電網は、分散エネルギー資源(DER)からの可変電力注入によって誘導される急激な電圧変動に挑戦される。
電圧を規制するために、IEEE標準1547は各DERにVolt/VAR制御ルールに従って反応電力を注入することを推奨している。
標準はデフォルトの形状を示しているが、ルールはバスごとにカスタマイズできる。
この最適規則設計(ORD)の課題は、Volt/VARルールが非線形力学を導入し、安定性と定常電圧プロファイルのトレードオフが生じるため、困難である。
ORD は混合整数非線形プログラム (MINLP) として定式化されているが、問題サイズと好ましくはスケールしない。
より効率的な解を目指して,我々はORDを深層学習問題として再検討する。
アイデアは、Volt/VARのダイナミクスをエミュレートするDNNを設計することである。
DNNはグリッドシナリオを入力として、ルールパラメータを重みとして、平衡電圧を出力する。
最適ルールパラメータはDNNのトレーニングによって見つけることができ、出力は様々なシナリオで統一に近づく。
DNNはルールの最適化にのみ使用され、フィールドで使用されることはない。
単相および多相給電装置におけるVolt/VARダイナミクスの安定性条件と収束率についても検討・拡張する。
テストはDNNベースのORDの利点を示し、MINLPとベンチマークする。
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。