論文の概要: An Active Learning-based Approach for Hosting Capacity Analysis in
Distribution Systems
- arxiv url: http://arxiv.org/abs/2305.07818v1
- Date: Sat, 13 May 2023 02:08:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:27:46.696642
- Title: An Active Learning-based Approach for Hosting Capacity Analysis in
Distribution Systems
- Title（参考訳）: 配電系統におけるキャパシティ解析をホストするアクティブラーニング手法
- Authors: Kiyeob Lee, Peng Zhao, Anirban Bhattacharya, Bani K. Mallick, Le Xie
- Abstract要約: 将来の配電網のホスティング能力(HC)をモデル化し分析する必要性は大きい。
本稿では,HCAにおける2つの要因 (a) と (b) を捉えることにより,研究ギャップを解消する。
我々は,データ駆動型HCAフレームワークを提案し,シナリオを効果的に探求するために,HCAにおけるアクティブラーニングを導入する。
- 参考スコア（独自算出の注目度）: 12.606338719938572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increasing amount of distributed energy resources (DERs)
integration, there is a significant need to model and analyze hosting capacity
(HC) for future electric distribution grids. Hosting capacity analysis (HCA)
examines the amount of DERs that can be safely integrated into the grid and is
a challenging task in full generality because there are many possible
integration of DERs in foresight. That is, there are numerous extreme points
between feasible and infeasible sets. Moreover, HC depends on multiple factors
such as (a) adoption patterns of DERs that depend on socio-economic behaviors
and (b) how DERs are controlled and managed. These two factors are intrinsic to
the problem space because not all integration of DERs may be centrally planned,
and could largely change our understanding about HC. This paper addresses the
research gap by capturing the two factors (a) and (b) in HCA and by identifying
a few most insightful HC scenarios at the cost of domain knowledge. We propose
a data-driven HCA framework and introduce active learning in HCA to effectively
explore scenarios. Active learning in HCA and characteristics of HC with
respect to the two factors (a) and (b) are illustrated in a 3-bus example.
Next, detailed large-scale studies are proposed to understand the significance
of (a) and (b). Our findings suggest that HC and its interpretations
significantly change subject to the two factors (a) and (b).
- Abstract（参考訳）: 分散エネルギー資源(ders)の統合が増加するにつれて、将来の電力配電網のためのホスティングキャパシティ(hc)をモデル化し、分析する必要がある。
ホスティングキャパシティ分析(hca)は、グリッドに安全に統合できるdersの量を調べ、全一般性において挑戦的なタスクである。
すなわち、実現可能集合と実現不可能集合の間には、多くの極点が存在する。
さらに、HCは複数の因子に依存する。
(a)社会経済的行動に依存したDrの採用パターン
b)DERの制御方法と管理方法
これらの2つの要因は、dersのすべての統合が集中的に計画されているわけではなく、hcに関する我々の理解を大きく変える可能性があるため、問題空間に固有のものである。
本稿では2つの要因を捉えることで研究ギャップを解消する。
(a)及び
b) HCAやいくつかの最も洞察に富んだHCシナリオをドメイン知識の犠牲にして特定すること。
我々は,データ駆動型HCAフレームワークを提案し,シナリオを効果的に探求するために,HCAにおけるアクティブラーニングを導入する。
HCAにおけるアクティブラーニングとHCの特性
(a)及び
(b) は 3 行の例で示される。
次に,その意義を理解するために,詳細な大規模研究を提案する。
(a)及び
(b)
HCとその解釈は2つの要因によって大きく変化することが示唆された。
(a)及び
(b)
関連論文リスト
- Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。
本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。
IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-24T09:09:20Z) - Generalized Cauchy-Schwarz Divergence and Its Deep Learning Applications [37.349358118385155]
多様性の尺度は、深層学習において中心的な役割を担い、ますます不可欠になりつつある。
一般化コーシーシュワルツ発散(GCSD)と呼ばれる複数の分布に適した新しい測度を導入する。
論文 参考訳（メタデータ） (2024-05-07T07:07:44Z) - Kernel Density Estimation for Multiclass Quantification [52.419589623702336]
量子化は、クラス有病率の正確な予測値を取得することに関する教師付き機械学習タスクである。
分散マッチング(DM)アプローチは、これまでの文献で提案されている定量化手法の中で、最も重要なファミリーの1つである。
カーネル密度推定(KDE)によりモデル化した多変量密度に基づく新しい表現機構を提案する。
論文 参考訳（メタデータ） (2023-12-31T13:19:27Z) - Towards Human-like Perception: Learning Structural Causal Model in
Heterogeneous Graph [26.361815957385417]
本研究では,HG-SCM(構造因果モデルとしての異種グラフ)という新しい解を提案する。
グラフスキーマから派生したセマンティクスに基づく無知変数の構築と、高度な因果発見技術を導入して、これらの変数間のタスクレベルの因果関係を自動的に学習する。
HG-SCMは標準偏差を最小限に抑え、予測力と一般化性の両方の観点からその有効性と優位性を実証した。
論文 参考訳（メタデータ） (2023-12-10T04:34:35Z) - Causality is all you need [63.10680366545293]
因果グラフルーティング(Causal Graph Routing, CGR)は、データに隠された原因影響力を明らかにするための介入機構を完全に依存した統合因果スキームである。
CGRは、Visual Question AnswerとLong Document Classificationタスクの両方において、最先端のメソッドを超越することができる。
論文 参考訳（メタデータ） (2023-11-21T02:53:40Z) - A Survey on Causal Reinforcement Learning [41.645270300009436]
本稿では、CRL(Causal Reinforcement Learning)の作業のレビュー、CRL手法のレビュー、RLへの因果性から潜在的な機能について検討する。
特に,既存のCRLアプローチを,因果関係に基づく情報が事前に与えられるか否かに応じて2つのカテゴリに分けた。
我々は、マルコフ決定プロセス(MDP)、部分観測マルコフ決定プロセス(POMDP)、マルチアーム帯域(MAB)、動的治療レジーム(DTR)など、様々なモデルの形式化の観点から、各カテゴリを解析する。
論文 参考訳（メタデータ） (2023-02-10T12:25:08Z) - CTDS: Centralized Teacher with Decentralized Student for Multi-Agent
Reinforcement Learning [114.69155066932046]
この作品は小説を提案している。
教師モデルと学生モデルからなる分散学生(C TDS)フレームワーク。
具体的には、教師モデルは、グローバルな観察で条件付けられた個別のQ値を学ぶことで、チームの報酬を割り当てる。
学生モデルは、部分的な観察を利用して、教師モデルによって推定されるQ値を近似する。
論文 参考訳（メタデータ） (2022-03-16T06:03:14Z) - Compositional Attention: Disentangling Search and Retrieval [66.7108739597771]
Multi-head, key-value attention は Transformer モデルとそのバリエーションのバックボーンである。
標準的なアテンションヘッドは、検索と検索の間の厳密なマッピングを学ぶ。
本稿では,標準ヘッド構造を置き換える新しいアテンション機構であるコンポジションアテンションアテンションを提案する。
論文 参考訳（メタデータ） (2021-10-18T15:47:38Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳（メタデータ） (2021-01-27T16:20:23Z) - Towards Understanding Cooperative Multi-Agent Q-Learning with Value
Factorization [28.89692989420673]
因子化多エージェントQ-ラーニングを解析するための多エージェント適合Q-イテレーションフレームワークを形式化する。
さらなる分析により、オンライン学習やよりリッチなジョイントバリュー関数クラスは、その局所的あるいは大域的収束特性を改善することができる。
論文 参考訳（メタデータ） (2020-05-31T19:14:03Z) - Understanding Global Feature Contributions With Additive Importance
Measures [14.50261153230204]
我々は,各特徴に関連付けられた予測力を通じて,特徴の重要性を定義する視点について検討する。
予測力(モデルベースと普遍性)の2つの概念を導入し、付加的重要度尺度の枠組みを用いてこのアプローチを定式化する。
次に,機能的相互作用を考慮に入れながら予測力を定量化するモデルに依存しないSAGEを提案する。
論文 参考訳（メタデータ） (2020-04-01T19:17:58Z)
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。