Fugu-MT 論文翻訳(概要): Contingency Analyses with Warm Starter using Probabilistic Graphical Model

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

Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
論文参考訳（メタデータ） (2024-11-15T08:55:31Z)
Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文参考訳（メタデータ） (2024-09-11T10:38:30Z)
A probabilistic framework for learning non-intrusive corrections to long-time climate simulations from short-time training data [12.566163525039558]
本稿では,カオスシステムの非侵襲的に解けない長期シミュレーションにニューラルネットワークモデルをトレーニングするための戦略を提案する。トレーニングで見られるデータより30倍以上長い時間的地平線上での異方性統計を正確に予測する能力を示す。
論文参考訳（メタデータ） (2024-08-02T18:34:30Z)
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)
It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
論文参考訳（メタデータ） (2023-12-27T10:44:58Z)
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)

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。