論文の概要: Scalable Optimal Design of Incremental Volt/VAR Control using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2301.01440v1
• Date: Wed, 4 Jan 2023 04:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 16:00:00.599119
• Title: Scalable Optimal Design of Incremental Volt/VAR Control using Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いたインクリメンタルvolt/var制御のスケーラブル最適設計
• Authors: Sarthak Gupta, Ali Mehrizi-Sani, Spyros Chatzivasileiadis, Vassilis Kekatos
• Abstract要約: 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。
• 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: Volt/VAR control rules facilitate the autonomous operation of distributed energy resources (DER) to regulate voltage in power distribution grids. According to non-incremental control rules, such as the one mandated by the IEEE Standard 1547, the reactive power setpoint of each DER is computed as a piecewise-linear curve of the local voltage. However, the slopes of such curves are upper-bounded to ensure stability. On the other hand, incremental rules add a memory term into the setpoint update, rendering them universally stable. They can thus attain enhanced steady-state voltage profiles. Optimal rule design (ORD) for incremental rules can be formulated as a bilevel program. We put forth a scalable solution by reformulating ORD as training a deep neural network (DNN). This DNN emulates the Volt/VAR dynamics for incremental rules derived as iterations of proximal gradient descent (PGD). Analytical findings and numerical tests corroborate that the proposed ORD solution can be neatly adapted to single/multi-phase feeders.
• Abstract（参考訳）: volt/var制御ルールは分散エネルギー資源(der)の自律運転を促進し、配電網の電圧を制御する。 IEEE標準1547で規定されているような非増分制御規則によれば、各DERの反応性電力設定点を局所電圧の片方向線形曲線として演算する。 しかし、そのような曲線の傾斜は安定性を確保するために上界である。 一方、インクリメンタルルールはsetpoint updateにメモリ項を追加し、それらを普遍的に安定させる。 これにより、定常電圧プロファイルを向上することができる。 インクリメンタルルールのための最適ルール設計(ORD)は、バイレベルプログラムとして定式化することができる。 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提案する。 このDNNは、近位勾配降下(PGD)の反復として導かれる漸進規則に対するボルト/VARダイナミクスをエミュレートする。 解析結果と数値試験により,提案するord溶液は単相/多相給電器に適用できることがわかった。

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)
• Optimal Design of Volt/VAR Control Rules of Inverters using Deep Learning [4.030910640265943]
  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。
  論文  参考訳（メタデータ） (2022-11-17T14:27:52Z)
• 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)
• Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
  我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。 本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-19T05:55:02Z)
• 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)
• Fast Power Control Adaptation via Meta-Learning for Random Edge Graph Neural Networks [39.59987601426039]
  本稿では,時間変動トポロジに対する電力制御政策の迅速な適応を可能にする高レベル問題について検討する。 我々は,新しいネットワーク構成への数ショット適応を最適化するために,複数のトポロジのデータに一階のメタラーニングを適用した。
  論文  参考訳（メタデータ） (2021-05-02T12:43:10Z)
• 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)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• 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)
• Controllable Orthogonalization in Training DNNs [96.1365404059924]
  直交性はディープニューラルネットワーク(DNN)のトレーニングに広く用いられている。 本稿では,ニュートン反復(ONI)を用いた計算効率が高く,数値的に安定な直交化法を提案する。 本稿では,画像分類ネットワークの性能向上のために,最適化の利点と表現能力の低下との間に最適なトレードオフを与えるために,直交性を効果的に制御する手法を提案する。 また、ONIは、スペクトル正規化と同様に、ネットワークのリプシッツ連続性を維持することにより、GAN(Generative Adversarial Network)のトレーニングを安定化させることを示した。
  論文  参考訳（メタデータ） (2020-04-02T10:14:27Z)

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。