論文の概要: Contingency Analyses with Warm Starter using Probabilistic Graphical Model
- arxiv url: http://arxiv.org/abs/2304.06727v2
- Date: Wed, 20 Mar 2024 02:42:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 23:07:03.720043
- Title: Contingency Analyses with Warm Starter using Probabilistic Graphical Model
- Title(参考訳): 確率的グラフィカルモデルを用いたワーム開始器の並行解析
- Authors: Shimiao Li, Amritanshu Pandey, Larry Pileggi,
- Abstract要約: サイバー脅威は電力網にとってますます一般的なリスクであり、セキュアなグリッド運用を妨げる可能性がある。
本稿では,サイバー脅威評価を含む緊急分析の拡張を提案する。
- 参考スコア(独自算出の注目度): 0.6843496572893534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cyberthreats are an increasingly common risk to the power grid and can thwart secure grid operations. We propose to extend contingency analysis to include cyberthreat evaluations. However, unlike the traditional N-1 or N-2 contingencies, cyberthreats (e.g., MadIoT) require simulating hard-to-solve N-k (with k >> 2) contingencies in a practical amount of time. Purely physics-based power flow solvers, while being accurate, are slow and may not solve N-k contingencies in a timely manner, whereas the emerging data-driven alternatives are fast but not sufficiently generalizable, interpretable, and scalable. To address these challenges, we propose a novel conditional Gaussian Random Field-based data-driven method that performs fast and accurate evaluation of cyberthreats. It achieves speedup of contingency analysis by warm-starting simulations, i.e., improving starting points, for the physical solvers. To improve the physical interpretability and generalizability, the proposed method incorporates domain knowledge by considering the graphical nature of the grid topology. To improve scalability, the method applies physics-informed regularization that reduces model complexity. Experiments validate that simulating MadIoT-induced attacks with our warm starter becomes approximately 5x faster on a realistic 2000-bus system.
- Abstract(参考訳): サイバー脅威は電力網にとってますます一般的なリスクであり、セキュアなグリッド運用を妨げる可能性がある。
本稿では,サイバー脅威評価を含む緊急分析の拡張を提案する。
しかし、従来のN-1やN-2とは異なり、サイバースリート(例えば、MadIoT)は(k>>2)実際の時間内に難解なN-kをシミュレートする必要がある。
純粋に物理学に基づくパワーフローソルバは正確であるが、遅いため、N-kコンセントをタイムリーに解けない場合がある。
これらの課題に対処するために,サイバー脅威の迅速かつ正確な評価を行う条件付きガウスランダムフィールドに基づくデータ駆動手法を提案する。
物理解法における開始点の改善という温暖化開始シミュレーションにより,同時解析の高速化を実現する。
物理的解釈性と一般化性を改善するため,グリッドトポロジのグラフィカルな性質を考慮し,ドメイン知識を取り入れた手法を提案する。
拡張性を改善するため、物理インフォームド正規化を適用し、モデルの複雑さを低減する。
マッドIoTによる攻撃を温かいスターターでシミュレーションする実験は、現実的な2000バスシステムでは約5倍高速になる。
関連論文リスト
- Unified, Verifiable Neural Simulators for Electromagnetic Wave Inverse Problems [1.6795461001108096]
我々は、数千のDoF、波長、照明波面、およびフリーフォームの散乱シミュレーションに対処できる単一の統一モデルを示す。
本研究は,既存の散乱シミュレータにおいて,普遍的かつ精度の高いニューラルサロゲートへの道を示すものである。
論文 参考訳(メタデータ) (2024-03-31T03:23:29Z) - Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy,
Computational Cost, and Flexibility [0.0]
物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。
本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。
そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
論文 参考訳(メタデータ) (2023-03-15T23:53:32Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳(メタデータ) (2022-11-16T00:11:04Z) - 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) - 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) - Meta Adversarial Perturbations [66.43754467275967]
メタ逆境摂動(MAP)の存在を示す。
MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。
これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
論文 参考訳(メタデータ) (2021-11-19T16:01:45Z) - Transient Stability Analysis with Physics-Informed Neural Networks [0.0]
電力系統を支配する通常の微分方程式を解くことは、過渡安定解析において不可欠である。
伝統的に、この手法は計算上のかなりの負担を負うか、モデルの単純化を必要とするか、過度に保守的なサロゲートモデルを使用するかのいずれかである。
本稿では,物理インフォームドニューラルネットワークがこの問題に取り組み,その利点と課題について考察する。
論文 参考訳(メタデータ) (2021-06-25T13:42:09Z) - Long-time integration of parametric evolution equations with
physics-informed DeepONets [0.0]
ランダムな初期条件を関連するPDE解に短時間でマッピングする無限次元演算子を学習するための効果的なフレームワークを提案する。
その後、訓練されたモデルを反復的に評価することにより、一連の初期条件にわたるグローバルな長期予測が得られる。
これは時間領域分解に対する新しいアプローチを導入し、正確な長期シミュレーションを実行するのに有効であることを示した。
論文 参考訳(メタデータ) (2021-06-09T20:46:17Z) - A comparative study of neural network techniques for automatic software
vulnerability detection [9.443081849443184]
ソフトウェア脆弱性を検出する最も一般的な方法は静的解析である。
一部の研究者は、検出の知性を改善するために自動特徴抽出機能を持つニューラルネットワークの使用を提案している。
2つの典型的なニューラルネットワークの性能をテストするための広範な実験を実施しました。
論文 参考訳(メタデータ) (2021-04-29T01:47:30Z) - 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)
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。