論文の概要: An Interpretable Approach to Load Profile Forecasting in Power Grids using Galerkin-Approximated Koopman Pseudospectra

• arxiv url: http://arxiv.org/abs/2304.07832v2
• Date: Fri, 29 Nov 2024 13:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:14:57.453274
• Title: An Interpretable Approach to Load Profile Forecasting in Power Grids using Galerkin-Approximated Koopman Pseudospectra
• Title（参考訳）: Galerkin-approximated Koopman Pseudospectra を用いた電力グリッドの負荷分布予測への解釈可能なアプローチ
• Authors: Ali Tavasoli, Behnaz Moradijamei, Heman Shakeri,
• Abstract要約: 本稿では,電力網における電力予測のための演算子理論フレームワーク内の力学を特徴付ける解釈可能な機械学習手法を提案する。 非線形力学の線形無限次元表現を提供するクープマン演算子を用いて負荷データの動的表現を行う。 本手法は,季節変化による時間的コヒーレントなパターンと,日時や日時といったより詳細な時間スケールを捉える。
• 参考スコア（独自算出の注目度）: 0.3160121582090025
• License:
• Abstract: This paper presents an interpretable machine learning approach that characterizes load dynamics within an operator-theoretic framework for electricity load forecasting in power grids. We represent the dynamics of load data using the Koopman operator, which provides a linear, infinite-dimensional representation of the nonlinear dynamics, and approximate a finite version that remains robust against spectral pollutions due to truncation. By computing $\epsilon$-approximate Koopman eigenfunctions using dynamics-adapted kernels in delay coordinates, we decompose the load dynamics into coherent spatiotemporal patterns that evolve quasi-independently. Our approach captures temporal coherent patterns due to seasonal changes and finer time scales, such as time of day and day of the week. This method allows for a more nuanced understanding of the complex interactions within power grids and their response to various exogenous factors. We assess our method using a large-scale dataset from a renewable power system in the continental European electricity system. The results indicate that our Koopman-based method surpasses a separately optimized deep learning (LSTM) architecture in both accuracy and computational efficiency, while providing deeper insights into the underlying dynamics of the power grid\footnote{The code is available at \href{https://github.com/Shakeri-Lab/Power-Grids}{github.com/Shakeri-Lab/Power-Grids}.
• Abstract（参考訳）: 本稿では,電力網における電力負荷予測のための演算子理論フレームワーク内での負荷ダイナミクスを特徴付ける解釈可能な機械学習手法を提案する。 非線形力学の線形無限次元表現を提供するクープマン演算子を用いて負荷データの力学を表現し、トランケーションによるスペクトル汚染に対して頑健な有限バージョンを近似する。 遅延座標における動的適応カーネルを用いた$\epsilon$-approximate Koopman固有関数の計算により、負荷ダイナミクスを半独立に進化するコヒーレントな時空間パターンに分解する。 本手法は,季節変化による時間的コヒーレントなパターンと,日時や日時といったより詳細な時間スケールを捉える。 この方法では、電力グリッド内の複雑な相互作用と様々な外因性要因に対する応答をより微妙に理解することができる。 本手法は,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評価する。 その結果,我々のKoopman-based methodは,精度と計算効率の両面で,別々に最適化されたディープラーニング(LSTM)アーキテクチャを超越し,パワーグリッドの基盤となるダイナミクスについて深い洞察を提供することができた。

関連論文リスト

• Learnable Infinite Taylor Gaussian for Dynamic View Rendering [55.382017409903305]
  本稿では,ガウスの時間的進化をモデル化するための学習可能なテイラー式に基づく新しいアプローチを提案する。 提案手法は,本領域における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-12-05T16:03:37Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Temporally-Consistent Koopman Autoencoders for Forecasting Dynamical Systems [38.36312939874359]
  テンポラリ一貫性を有するクープマンオートエンコーダ(tcKAE)について紹介する。 tcKAEは、限られたノイズの多いトレーニングデータであっても、正確な長期予測を生成する。 我々は,最先端のKAEモデルよりもtcKAEの方が,様々なテストケースで優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-19T00:48:25Z)
• 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)
• Accelerated Continuous-Time Approximate Dynamic Programming via Data-Assisted Hybrid Control [0.0]
  本研究では,アクター・クリティックな構造に動的運動量を組み込んだアルゴリズムを導入し,アフィン構造を入力とする連続時間動植物を制御する。 アルゴリズムに動的運動量を導入することにより、閉ループ系の収束特性を加速することができる。
  論文  参考訳（メタデータ） (2022-04-27T05:36:51Z)
• 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。