論文の概要: Solving Differential-Algebraic Equations in Power Systems Dynamics with
Neural Networks and Spatial Decomposition
- arxiv url: http://arxiv.org/abs/2303.10256v1
- Date: Fri, 17 Mar 2023 21:42:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 20:33:16.149202
- Title: Solving Differential-Algebraic Equations in Power Systems Dynamics with
Neural Networks and Spatial Decomposition
- Title（参考訳）: ニューラルネットワークと空間分解を用いた電力系統力学における微分代数方程式の解法
- Authors: Jochen Stiasny, Spyros Chatzivasileiadis, Baosen Zhang
- Abstract要約: 我々はニューラルネットワークを用いてコンポーネントの状態の進化を近似し、高速で正確で数値的に安定な近似器を生み出す。
3つのジェネレータを持つIEEE 9-busテストケース上で,このNNベースのシミュレータを実演する。
- 参考スコア（独自算出の注目度）: 3.222802562733787
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The dynamics of the power system are described by a system of
differential-algebraic equations. Time-domain simulations are used to
understand the evolution of the system dynamics. These simulations can be
computationally expensive due to the stiffness of the system which requires the
use of finely discretized time-steps. By increasing the allowable time-step
size, we aim to accelerate such simulations. In this paper, we use the
observation that even though the individual components are described using both
algebraic and differential equations, their coupling only involves algebraic
equations. Following this observation, we use Neural Networks (NNs) to
approximate the components' state evolution, leading to fast, accurate, and
numerically stable approximators, which enable larger time-steps. To account
for effects of the network on the components and vice-versa, the NNs take the
temporal evolution of the coupling algebraic variables as an input for their
prediction. We initially estimate this temporal evolution and then update it in
an iterative fashion using the Newton-Raphson algorithm. The involved Jacobian
matrix is calculated with Automatic Differentiation and its size depends only
on the network size but not on the component dynamics. We demonstrate this
NN-based simulator on the IEEE 9-bus test case with 3 generators.
- Abstract（参考訳）: 動力系のダイナミクスは微分代数方程式の系によって記述される。
時間領域シミュレーションはシステム力学の進化を理解するために用いられる。
これらのシミュレーションは、微妙に離散化された時間ステップを必要とするシステムの剛性のため、計算的に高価である。
許容時間ステップサイズを増加させることで,シミュレーションの高速化を図る。
本稿では,個々の成分が代数方程式と微分方程式の両方を用いて記述されているものの,それらの結合は代数方程式のみを含むという観察を用いている。
この観察の後、ニューラルネットワーク(NN)を用いてコンポーネントの状態の進化を近似し、高速で正確で数値的に安定な近似器を導き、より大きな時間ステップを可能にする。
ネットワークがコンポーネントやその逆に与える影響を考慮するため、nnは結合代数変数の時間的発展をその予測のインプットとして捉えている。
まず、この時間的進化を推定し、ニュートン・ラフソンアルゴリズムを用いて反復的に更新する。
ジャコビアン行列は自動微分で計算され、そのサイズはネットワークサイズにのみ依存するが、コンポーネントのダイナミクスには依存しない。
3つのジェネレータを持つIEEE 9-busテストケース上で,このNNベースのシミュレータを実演する。
関連論文リスト
- Neural Graph Simulator for Complex Systems [0.0]
グラフ上の時間不変自律系をシミュレートするためのニューラルグラフシミュレータ(NGS)を導入する。
NGSは、支配方程式の事前知識を必要としないため、数値解法よりも大きな利点がある。
これは従来の手法よりも優れた計算効率を示し、厳密な問題の105ドル以上の性能を向上させる。
論文 参考訳（メタデータ） (2024-11-14T01:41:00Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。
その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文 参考訳（メタデータ） (2024-09-23T11:16:46Z) - Liquid Fourier Latent Dynamics Networks for fast GPU-based numerical simulations in computational cardiology [0.0]
複素測地上での高次非線形微分方程式の多スケールおよび多物理集合に対するパラメータ化時空間サロゲートモデルを作成するために、Latent Dynamics Networks(LDNets)の拡張を提案する。
LFLDNetは、時間的ダイナミクスのために神経学的にインスパイアされたスパースな液体ニューラルネットワークを使用し、時間進行のための数値ソルバの要求を緩和し、パラメータ、精度、効率、学習軌道の点で優れたパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-08-19T09:14:25Z) - Magnetohydrodynamics with Physics Informed Neural Operators [2.588973722689844]
本稿では,AIを用いて複雑なシステムのモデリングを,計算コストのごく一部で高速化する方法について検討する。
本稿では,2次元非圧縮性磁気流体力学シミュレーションのモデル化のための物理情報演算子の最初の応用について述べる。
論文 参考訳（メタデータ） (2023-02-13T19:00:00Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳（メタデータ） (2022-08-07T09:02:18Z) - Learning Large-Time-Step Molecular Dynamics with Graph Neural Networks [14.388196138756195]
グラフニューラルネットワーク(GNN)に基づくモデルMDNetを導入し、座標と運動量の進化を大きな時間ステップで予測する。
4000原子系におけるMDNetの性能を実測し, MDNetが良好な平衡特性と輸送特性を予測可能であることを示す。
論文 参考訳（メタデータ） (2021-11-30T07:32:39Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - Constant-Depth Circuits for Dynamic Simulations of Materials on Quantum
Computers [0.0]
一次元材料ハミルトニアンの部分集合のシミュレーション時間の増加とともに、深さが一定となる回路を生成する方法を提案する。
実現可能な時間ステップ数に対する有効限を除去することにより、一定深度回路はトロッター誤差を無視的に小さくすることができる。
これは、科学的および技術的に関連する量子材料に対する長期力学のシミュレーションの道を開くものである。
論文 参考訳（メタデータ） (2021-03-12T17:47:02Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳（メタデータ） (2020-12-16T21:43:38Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。