論文の概要: A Robust Data-driven Process Modeling Applied to Time-series Stochastic Power Flow

• arxiv url: http://arxiv.org/abs/2301.02651v1
• Date: Fri, 6 Jan 2023 18:55:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 00:19:36.253978
• Title: A Robust Data-driven Process Modeling Applied to Time-series Stochastic Power Flow
• Title（参考訳）: 時系列確率的潮流に適用したロバストなデータ駆動プロセスモデリング
• Authors: Pooja Algikar, Yijun Xu, Somayeh Yarahmadi, Lamine Mili
• Abstract要約: 提案モデルでは, 電圧ファサードとインジェクションの時系列データをトレーニングし, 時系列の電力フロー計算を行う。 シミュレーションの結果,提案したロバストモデルではトレーニングデータセットの最大25%のアウトレーヤを処理可能であることがわかった。
• 参考スコア（独自算出の注目度）: 2.7356119162292654
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we propose a robust data-driven process model whose hyperparameters are robustly estimated using the Schweppe-type generalized maximum likelihood estimator. The proposed model is trained on recorded time-series data of voltage phasors and power injections to perform a time-series stochastic power flow calculation. Power system data are often corrupted with outliers caused by large errors, fault conditions, power outages, and extreme weather, to name a few. The proposed model downweights vertical outliers and bad leverage points in the measurements of the training dataset. The weights used to bound the influence of the outliers are calculated using projection statistics, which are a robust version of Mahalanobis distances of the time series data points. The proposed method is demonstrated on the IEEE 33-Bus power distribution system and a real-world unbalanced 240-bus power distribution system heavily integrated with renewable energy sources. Our simulation results show that the proposed robust model can handle up to 25% of outliers in the training data set.
• Abstract（参考訳）: 本稿では,超パラメータをシュウェッペ型一般化最大確率推定器を用いてロバストに推定するロバストなデータ駆動プロセスモデルを提案する。 提案モデルでは,電圧ファサーと電力噴射の時系列データを用いて時系列の確率的潮流計算を行う。 電力系統のデータは、大きなエラー、故障状況、停電、極端な天候などによって、しばしば異常によって破損する。 提案するモデルでは,トレーニングデータセットの測定において,垂直外れ値と悪レバレッジ点を削減できる。 時系列データポイントのマハラノビス距離の頑健なバージョンであるプロジェクション統計を用いて、外れ値の影響を束縛するために用いられる重みを計算した。 提案手法は,ieee 33 バス配電システムと,再生可能エネルギー源と高度に統合された実世界不均衡240 バス配電システムで実証された。 シミュレーションの結果,提案するロバストモデルはトレーニングデータセットの異常値の最大25%を処理できることがわかった。

関連論文リスト

• Transformer based time series prediction of the maximum power point for solar photovoltaic cells [0.24233709516962787]
  本稿では,太陽太陽電池セルにおける深層学習に基づく最大パワーポイントトラッキング(MPPT)の改良を提案する。 本稿では, 環境条件を包括的に表現する。 提案モデルでは, 広範囲の大気環境において, 強靭で動的かつ非相対的に電力点追跡を行う。
  論文  参考訳（メタデータ） (2024-09-24T17:26:55Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• HigeNet: A Highly Efficient Modeling for Long Sequence Time Series Prediction in AIOps [30.963758935255075]
  本稿では,HigeNetという高効率モデルを提案し,時系列時系列の予測を行う。 モデルのトレーニング時間,資源使用量,精度は,5つの最先端競合モデルよりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-13T13:48:43Z)
• Data-driven Models to Anticipate Critical Voltage Events in Power Systems [0.0]
  本稿では, 単純な分類ラベルを用いた電力系統の電圧変動事象予測におけるデータ駆動モデルの有効性について検討する。 相当量の風力発電を担っているイタリアの150kVサブミッションネットワークの実際の部分に関する概念実証ケーススタディは、この提案の一般的な妥当性を実証している。
  論文  参考訳（メタデータ） (2022-07-24T20:24:27Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)
• Time-Series Imputation with Wasserstein Interpolation for Optimal Look-Ahead-Bias and Variance Tradeoff [66.59869239999459]
  ファイナンスでは、ポートフォリオ最適化モデルをトレーニングする前に、損失の計算を適用することができる。 インキュベーションのために全データセットを使用するルックアヘッドバイアスと、トレーニングデータのみを使用することによるインキュベーションの大きなばらつきとの間には、本質的にトレードオフがある。 提案手法は,提案法における差分とルックアヘッドバイアスのトレードオフを最適に制御するベイズ後部コンセンサス分布である。
  論文  参考訳（メタデータ） (2021-02-25T09:05:35Z)
• Robust Data-Driven Error Compensation for a Battery Model [0.0]
  今日の大量のバッテリデータは、より正確で信頼性の高いシミュレーションにはまだ使われていません。 データ駆動型エラーモデルを導入し、既存の物理的動機付けモデルを強化します。 ニューラルネットワークは、既存の動的エラーを補償し、基礎となるデータの記述に基づいてさらに制限される。
  論文  参考訳（メタデータ） (2020-12-31T16:11:36Z)
• Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
  カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。 モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
  論文  参考訳（メタデータ） (2020-02-28T21:52:49Z)
• Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
  時系列予測は科学的・工学的な問題の基本である。 深層学習法はこの問題に適している。 多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
  論文  参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。