論文の概要: On Approximating the Dynamic Response of Synchronous Generators via
Operator Learning: A Step Towards Building Deep Operator-based Power Grid
Simulators
- arxiv url: http://arxiv.org/abs/2301.12538v1
- Date: Sun, 29 Jan 2023 20:48:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 16:29:52.456664
- Title: On Approximating the Dynamic Response of Synchronous Generators via
Operator Learning: A Step Towards Building Deep Operator-based Power Grid
Simulators
- Title（参考訳）: オペレータ・ラーニングによる同期発電機の動的応答の近似化:ディープ・オペレータ・ベースの電力グリッド・シミュレータの構築に向けて
- Authors: Christian Moya, Guang Lin, Tianqiao Zhao, and Meng Yue
- Abstract要約: 本稿では,同期発電機の動的応答を近似する演算子学習フレームワークを設計する。
このようなフレームワークを使用して、(i)電源グリッドの残りの部分の数値シミュレータと相互作用するニューラルネットワークベースのジェネレータモデルを設計したり、(ii)ジェネレータの過渡応答をシャドーすることができる。
- 参考スコア（独自算出の注目度）: 6.9734917589357135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper designs an Operator Learning framework to approximate the dynamic
response of synchronous generators. One can use such a framework to (i) design
a neural-based generator model that can interact with a numerical simulator of
the rest of the power grid or (ii) shadow the generator's transient response.
To this end, we design a data-driven Deep Operator Network~(DeepONet) that
approximates the generators' infinite-dimensional solution operator. Then, we
develop a DeepONet-based numerical scheme to simulate a given generator's
dynamic response over a short/medium-term horizon. The proposed numerical
scheme recursively employs the trained DeepONet to simulate the response for a
given multi-dimensional input, which describes the interaction between the
generator and the rest of the system. Furthermore, we develop a residual
DeepONet numerical scheme that incorporates information from mathematical
models of synchronous generators. We accompany this residual DeepONet scheme
with an estimate for the prediction's cumulative error. We also design a data
aggregation (DAgger) strategy that allows (i) employing supervised learning to
train the proposed DeepONets and (ii) fine-tuning the DeepONet using aggregated
training data that the DeepONet is likely to encounter during interactive
simulations with other grid components. Finally, as a proof of concept, we
demonstrate that the proposed DeepONet frameworks can effectively approximate
the transient model of a synchronous generator.
- Abstract（参考訳）: 本稿では,同期発電機の動的応答を近似する演算子学習フレームワークを設計する。
そのようなフレームワークを使うことができる。
(i)電力網の他の部分の数値シミュレータと相互作用可能なニューラル・ベースの発電機モデルの設計
(ii)発電機の過渡応答をシャドーする。
そこで我々は,データ駆動型Deep Operator Network~(DeepONet)を設計し,生成元の無限次元解演算子を近似する。
そこで我々は, 短時間・中期の地平線上の発生器の動的応答をシミュレートするdeeponetに基づく数値スキームを開発した。
提案手法は、与えられた多次元入力に対する応答をシミュレートするために訓練されたDeepONetを再帰的に利用し、生成器とシステムの他の部分との相互作用を記述する。
さらに,同期発電機の数学的モデルからの情報を含む残差DeepONet数値スキームを開発した。
我々はこの残差のDeepONetスキームに付随し、予測の累積誤差を推定する。
データアグリゲーション(DAgger)戦略も設計しています。
(i)提案の深層学習に教師付き学習を用いること、及び
(II)DeepONetが他のグリッドコンポーネントとのインタラクティブなシミュレーション中に遭遇しそうな集約トレーニングデータを用いてDeepONetを微調整する。
最後に、概念実証として、提案するdeeponetフレームワークが同期発生器の過渡モデルを効果的に近似できることを実証する。
関連論文リスト
- Fusion DeepONet: A Data-Efficient Neural Operator for Geometry-Dependent Hypersonic Flows on Arbitrary Grids [5.425982743247563]
限られたデータで幾何依存の超音速流れ場を学習するための高度なニューラル演算子モデルを評価する。
We developed a novel framework called Fusion DeepONet, which leverages neural field concept and effectiveizes across various geometries。
トレーニングデータの不足にもかかわらず、Fusion DeepONetは均一グリッド上のパラメータ条件付きU-Netに匹敵するパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-01-03T18:15:23Z) - Generator Born from Classifier [66.56001246096002]
データサンプルに頼ることなく、イメージジェネレータを再構築することを目指している。
本稿では,ネットワークパラメータの収束条件を満たすために,ジェネレータを訓練する新しい学習パラダイムを提案する。
論文 参考訳（メタデータ） (2023-12-05T03:41:17Z) - Deep Generative Methods for Producing Forecast Trajectories in Power
Systems [0.0]
トランスポート・システム・オペレーター(TSO)は、将来の電力系統の機能をシミュレートするための分析を行う必要がある。
これらのシミュレーションは意思決定プロセスの入力として使用される。
論文 参考訳（メタデータ） (2023-09-26T14:43:01Z) - A Data-Driven Hybrid Automaton Framework to Modeling Complex Dynamical
Systems [2.610470075814367]
データ駆動型ハイブリッドオートマトンモデルを提案する。
小規模ニューラルネットワークは、対応するトポロジの局所的力学記述として訓練される。
限界サイクルの数値的な例を示し、発達したモデルが到達可能な集合計算の計算コストを大幅に削減できることを示す。
論文 参考訳（メタデータ） (2023-04-26T20:18:12Z) - An Interpretable Approach to Load Profile Forecasting in Power Grids using Galerkin-Approximated Koopman Pseudospectra [0.3160121582090025]
本稿では,電力網における電力予測のための演算子理論フレームワーク内の力学を特徴付ける解釈可能な機械学習手法を提案する。
非線形力学の線形無限次元表現を提供するクープマン演算子を用いて負荷データの動的表現を行う。
本手法は,季節変化による時間的コヒーレントなパターンと,日時や日時といったより詳細な時間スケールを捉える。
論文 参考訳（メタデータ） (2023-04-16T16:56:52Z) - Using Intermediate Forward Iterates for Intermediate Generator
Optimization [14.987013151525368]
中間ジェネレータ最適化は、生成タスクのための任意の標準オートエンコーダパイプラインに組み込むことができる。
IGOの2つの密集予測タスク(viz.)、画像外挿、点雲デノイング(denoising)に対する応用を示す。
論文 参考訳（メタデータ） (2023-02-05T08:46:15Z) - Learning Probabilistic Models from Generator Latent Spaces with Hat EBM [81.35199221254763]
本研究では、エネルギーベースモデル(EBM)の基礎として、任意のジェネレータネットワークを使用する方法を提案する。
128x128解像度の非条件画像ネット合成,(2)既存の生成装置の出力の精細化,(3)非確率的生成装置を組み込んだ学習用EMMにおいて,提案手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-10-29T03:55:34Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Towards Generating Real-World Time Series Data [52.51620668470388]
時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。
RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。
不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
論文 参考訳（メタデータ） (2021-11-16T11:31:37Z) - Deep Transformer Networks for Time Series Classification: The NPP Safety
Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。
トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文 参考訳（メタデータ） (2021-04-09T14:26:25Z) - DSDNet: Deep Structured self-Driving Network [92.9456652486422]
本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。
我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
論文 参考訳（メタデータ） (2020-08-13T17:54:06Z)
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。