論文の概要: Transferable Deep Learning Power System Short-Term Voltage Stability
Assessment with Physics-Informed Topological Feature Engineering
- arxiv url: http://arxiv.org/abs/2303.07138v1
- Date: Mon, 13 Mar 2023 14:05:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 14:42:35.057132
- Title: Transferable Deep Learning Power System Short-Term Voltage Stability
Assessment with Physics-Informed Topological Feature Engineering
- Title（参考訳）: 物理インフォームドトポロジカル特徴工学を用いた移動型深層学習電力系統の短期電圧安定性評価
- Authors: Zijian Feng, Xin Chen, Zijian Lv, Peiyuan Sun, Kai Wu
- Abstract要約: ディープラーニングアルゴリズムは、電力系統の短期電圧安定性評価(STVS)に広く応用されている。
本稿では、PMUデータからトポロジ対応の電圧動的特徴を構築することにより、STVS評価のための転送可能なDLベースモデルを提案する。
提案手法は,微調整後のグリッドトポロジに優れた性能を示す。
- 参考スコア（独自算出の注目度）: 7.525107154126671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) algorithms have been widely applied to short-term voltage
stability (STVS) assessment in power systems. However, transferring the
knowledge learned in one power grid to other power grids with topology changes
is still a challenging task. This paper proposed a transferable DL-based model
for STVS assessment by constructing the topology-aware voltage dynamic features
from raw PMU data. Since the reactive power flow and grid topology are
essential to voltage stability, the topology-aware and physics-informed voltage
dynamic features are utilized to effectively represent the topological and
temporal patterns from post-disturbance system dynamic trajectories. The
proposed DL-based STVS assessment model is tested under random operating
conditions on the New England 39-bus system. It has 99.99\% classification
accuracy of the short-term voltage stability status using the topology-aware
and physics-informed voltage dynamic features. In addition to high accuracy,
the experiments show good adaptability to PMU errors. Moreover, The proposed
STVS assessment method has outstanding performance on new grid topologies after
fine-tuning. In particular, the highest accuracy reaches 99.68\% in evaluation,
which demonstrates a good knowledge transfer ability of the proposed model for
power grid topology change.
- Abstract（参考訳）: ディープラーニング(DL)アルゴリズムは、電力系統の短期電圧安定性(STVS)評価に広く応用されている。
しかし、トポロジ的変化を伴う電力網の知識を他の電力網に移すことは依然として難しい課題である。
本稿では、PMUデータからトポロジ対応の電圧動的特徴を構築することにより、STVS評価のための転送可能なDLベースモデルを提案する。
反応動力流とグリッドトポロジは電圧安定性に不可欠であるため、トポロジ・アウェアおよび物理インフォームド電圧動的特徴を利用して、乱後の動的軌跡から位相的および時間的パターンを効果的に表現する。
提案したDLベースSTVS評価モデルは,ニューイングランド39バスシステム上でランダムな動作条件下で試験される。
トポロジー認識と物理インフォームド電圧動的特徴を用いた短期電圧安定状態の99.99\%の分類精度を有する。
高精度に加え、実験はPMUエラーへの適応性も良好である。
さらに,STVS評価手法は微調整後の新しいグリッドトポロジに優れた性能を示す。
特に、最高精度は評価で99.68\%に達し、電力グリッドトポロジー変化に対する提案モデルの優れた知識伝達能力を示す。
関連論文リスト
- Deep learning based on Transformer architecture for power system
short-term voltage stability assessment with class imbalance [13.3281651745186]
実用的応用では、乱れ後の短期電圧不安定性が最小限であり、重大なクラス不均衡問題を引き起こす。
この課題に対処するために,Transformer ベースの STVSA 手法を提案する。
不均衡データセットの負の影響に対処するために、この研究は勾配ペナルティを持つ条件付きワッサーシュタイン生成逆数ネットワークを用いる。
論文 参考訳（メタデータ） (2023-10-18T03:36:10Z) - Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of
Transient Stability for Changing Power Grid Topologies [4.344709230906635]
GEDF-SCLモデルでは、教師付きコントラスト学習を用いてGEDFの過渡安定性を予測する。
その結果,GEDF-SCLモデルは過渡安定度予測において高い精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-08-01T13:30:36Z) - 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) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Gradient-Enhanced Physics-Informed Neural Networks for Power Systems
Operational Support [36.96271320953622]
本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。
提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
論文 参考訳（メタデータ） (2022-06-21T17:56:55Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Distribution-Aware Graph Representation Learning for Transient Stability
Assessment of Power System [36.67852108729622]
電力系統の安全運転において, リアルタイム過渡安定度評価が重要な役割を担っている。
電力系統の安定性を迅速に予測するために,データ駆動型電力系統推定法を提案する。
論文 参考訳（メタデータ） (2022-05-12T12:38:54Z) - Fast Transient Stability Prediction Using Grid-informed Temporal and
Topological Embedding Deep Neural Network [4.116150060665464]
本稿では,時間的および位相的埋め込み型ディープニューラルネットワーク(TTEDNN)モデルを提案する。
TTEDNNモデルは、時系列データから時間的・トポロジ的特徴を抽出することにより、過渡安定性を正確かつ効率的に予測することができる。
以上の結果から,TTEDNNモデルは最高の,最も堅牢な予測性能を有することがわかった。
論文 参考訳（メタデータ） (2022-01-23T12:22:44Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - 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)
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。