論文の概要: Characterizing the load profile in power grids by Koopman mode
decomposition of interconnected dynamics
- arxiv url: http://arxiv.org/abs/2304.07832v1
- Date: Sun, 16 Apr 2023 16:56:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 17:10:29.023779
- Title: Characterizing the load profile in power grids by Koopman mode
decomposition of interconnected dynamics
- Title（参考訳）: 相互接続力学のクープマンモード分解による電力グリッドの負荷分布評価
- Authors: Ali Tavasoli, Behnaz Moradijamei, Heman Shakeri
- Abstract要約: 本稿では,データ駆動手法を用いて負荷動態を同定する,解釈可能な機械学習手法を提案する。
我々は、基礎となる力学に固有のクープマン演算子を用いて負荷データを表現している。
ヨーロッパ大陸の電力系統における再生可能電力系統の大規模データセットを用いて,本手法の評価を行った。
- 参考スコア（独自算出の注目度）: 0.6629765271909505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electricity load forecasting is crucial for effectively managing and
optimizing power grids. Over the past few decades, various statistical and deep
learning approaches have been used to develop load forecasting models. This
paper presents an interpretable machine learning approach that identifies load
dynamics using data-driven methods within an operator-theoretic framework. We
represent the load data using the Koopman operator, which is inherent to the
underlying dynamics. By computing the corresponding eigenfunctions, we
decompose the load dynamics into coherent spatiotemporal patterns that are the
most robust features of the dynamics. Each pattern evolves independently
according to its single frequency, making its predictability based on linear
dynamics. We emphasize that the load dynamics are constructed based on coherent
spatiotemporal patterns that are intrinsic to the dynamics and are capable of
encoding rich dynamical features at multiple time scales. These features are
related to complex interactions over interconnected power grids and different
exogenous effects. To implement the Koopman operator approach more efficiently,
we cluster the load data using a modern kernel-based clustering approach and
identify power stations with similar load patterns, particularly those with
synchronized dynamics. We evaluate our approach using a large-scale dataset
from a renewable electric power system within the continental European
electricity system and show that the Koopman-based approach outperforms a deep
learning (LSTM) architecture in terms of accuracy and computational efficiency.
The code for this paper has been deposited in a GitHub repository, which can be
accessed at the following address github.com/Shakeri-Lab/Power-Grids.
- Abstract（参考訳）: 電力負荷予測は電力グリッドの効率的な管理と最適化に不可欠である。
過去数十年間、様々な統計的および深層学習アプローチが負荷予測モデルの開発に使われてきた。
本稿では,演算子理論フレームワーク内のデータ駆動手法を用いて,負荷ダイナミクスを識別する解釈可能な機械学習手法を提案する。
基礎となるダイナミクスに固有のKoopman演算子を用いて負荷データを表現します。
対応する固有関数を計算することにより、負荷ダイナミクスを動的の最も堅牢な特徴であるコヒーレントな時空間パターンに分解する。
各パターンはその単一周波数に応じて独立に進化し、線形ダイナミクスに基づく予測可能性となる。
負荷ダイナミクスは、動的に固有のコヒーレントな時空間パターンに基づいて構築され、複数の時間スケールでリッチな動的特徴を符号化できることを強調した。
これらの特徴は、相互接続された電力グリッド上の複雑な相互作用と異なる外因性効果と関連している。
より効率的なKoopman演算子アプローチを実現するために、カーネルベースのクラスタリングアプローチを用いて負荷データをクラスタリングし、特に同期力学系において、同様の負荷パターンを持つパワーステーションを同定する。
ヨーロッパ大陸の電力系統における再生可能電力システムからの大規模データセットを用いて本手法の評価を行い,その精度と計算効率の観点から,クープマン方式が深層学習(LSTM)アーキテクチャより優れていることを示す。
この論文のコードはGitHubリポジトリに保管されており、以下のアドレス github.com/Shakeri-Lab/Power-Gridsでアクセスできる。
関連論文リスト
- A multi-source data power load forecasting method using attention mechanism-based parallel cnn-gru [4.983952121560523]
本稿では,動的データと静的データの両方から重要な情報を抽出する並列構造ネットワークを提案する。
CNNモジュールは静的データから空間特性をキャプチャし、GRUモジュールは動的時系列データの長期的な依存関係をキャプチャする。
マルチソース情報の抽出・統合における並列構造モデルの利点を実証するため, 一連の実験を行った。
論文 参考訳（メタデータ） (2024-09-26T14:38:54Z) - A Unified Approach for Learning the Dynamics of Power System Generators and Inverter-based Resources [12.723995633698514]
再生可能エネルギーの統合と電気化のためのインバータベースの資源(IBR)は、電力系統の動的解析に大きく挑戦する。
同期ジェネレータ(SG)とIRBの両方を考慮するため、この研究は個々の動的コンポーネントのモデルを学ぶためのアプローチを示す。
論文 参考訳（メタデータ） (2024-09-22T14:07:10Z) - Data-Driven Characterization of Latent Dynamics on Quantum Testbeds [0.23408308015481663]
我々は、パラメータ化された元項でリンドブラッドマスター方程式によって記述された量子系の力学方程式を拡大する。
本稿では,線形演算子に基づいてパラメータ化された発散潜在力学からユニタリを学習し,区別する拡張を保存する構造について考察する。
我々は、我々の解釈、構造保存、非線形モデルがリンドブラッドマスター方程式の予測精度を向上させることを実証した。
論文 参考訳（メタデータ） (2024-01-18T09:28:44Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Statistical and machine learning approaches for prediction of long-time
excitation energy transfer dynamics [0.0]
ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。
以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
論文 参考訳（メタデータ） (2022-10-25T16:50:26Z) - 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) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳（メタデータ） (2021-04-28T16:48:44Z) - 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) - 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) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳（メタデータ） (2020-03-04T18:24:30Z)
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。