論文の概要: PINNSim: A Simulator for Power System Dynamics based on Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2303.10256v3
- Date: Thu, 4 Jul 2024 14:03:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 03:12:39.078188
- Title: PINNSim: A Simulator for Power System Dynamics based on Physics-Informed Neural Networks
- Title（参考訳）: PINNSim:物理インフォームドニューラルネットワークに基づく電力系統ダイナミクスシミュレータ
- Authors: Jochen Stiasny, Baosen Zhang, Spyros Chatzivasileiadis,
- Abstract要約: より大きな時間ステップを踏むことができるシミュレータを提案する。
電力系統における単一成分の動的解の解法として物理インフォームドニューラルネットワーク(PINN)を基礎としている。
9-busシステム上でPINNSimを実演し,PINNSimの時間ステップサイズを台形積分法と比較した。
- 参考スコア（独自算出の注目度）: 1.2835555561822447
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The dynamic behaviour of a power system can be described by a system of differential-algebraic equations. Time-domain simulations are used to simulate the evolution of these dynamics. They often require the use of small time step sizes and therefore become computationally expensive. To accelerate these simulations, we propose a simulator - PINNSim - that allows to take significantly larger time steps. It is based on Physics-Informed Neural Networks (PINNs) for the solution of the dynamics of single components in the power system. To resolve their interaction we employ a scalable root-finding algorithm. We demonstrate PINNSim on a 9-bus system and show the increased time step size compared to a trapezoidal integration rule. We discuss key characteristics of PINNSim and important steps for developing PINNSim into a fully fledged simulator. As such, it could offer the opportunity for significantly increasing time step sizes and thereby accelerating time-domain simulations.
- Abstract（参考訳）: パワーシステムの動的挙動は微分代数方程式の系によって記述できる。
時間領域シミュレーションは、これらの力学の進化をシミュレートするために用いられる。
それらはしばしば小さな時間ステップサイズを必要とするため、計算コストがかかる。
これらのシミュレーションを高速化するために,より大きな時間ステップを踏むことができるシミュレータ PINNSim を提案する。
電力系統における単一成分の動的解の解法として物理インフォームドニューラルネットワーク(PINN)を基礎としている。
これらの相互作用を解決するために、スケーラブルなルートフィニングアルゴリズムを用いる。
9-busシステム上でPINNSimを実演し,PINNSimの時間ステップサイズを台形積分法と比較した。
我々は、PINNSimの重要な特徴と、PINNSimを本格的なシミュレーターとして開発するための重要なステップについて論じる。
そのため、時間ステップのサイズを大幅に拡大し、時間領域シミュレーションを加速する機会を提供することができる。
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。