論文の概要: Inferring Attracting Basins of Power System with Machine Learning
- arxiv url: http://arxiv.org/abs/2305.14374v1
- Date: Sat, 20 May 2023 08:42:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 00:47:48.681114
- Title: Inferring Attracting Basins of Power System with Machine Learning
- Title（参考訳）: 機械学習による電力系統の集束流域の推定
- Authors: Yao Du, Qing Li, Huawei Fan, Meng Zhan, Jinghua Xiao, and Xingang Wang
- Abstract要約: 本稿では,典型的な電力系統の誘引流域を推定するために,新しい機械学習手法,すなわち平衡貯水池計算を提案する。
トレーニングされた機械は、大規模でランダムな摂動に応答してシステムが機能状態に戻るかどうかを正確に予測できることを実証する。
- 参考スコア（独自算出の注目度）: 5.83843172320071
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Power systems dominated by renewable energy encounter frequently large,
random disturbances, and a critical challenge faced in power-system management
is how to anticipate accurately whether the perturbed systems will return to
the functional state after the transient or collapse. Whereas model-based
studies show that the key to addressing the challenge lies in the attracting
basins of the functional and dysfunctional states in the phase space, the
finding of the attracting basins for realistic power systems remains a
challenge, as accurate models describing the system dynamics are generally
unavailable. Here we propose a new machine learning technique, namely balanced
reservoir computing, to infer the attracting basins of a typical power system
based on measured data. Specifically, trained by the time series of a handful
of perturbation events, we demonstrate that the trained machine can predict
accurately whether the system will return to the functional state in response
to a large, random perturbation, thereby reconstructing the attracting basin of
the functional state. The working mechanism of the new machine is analyzed, and
it is revealed that the success of the new machine is attributed to the good
balance between the echo and fading properties of the reservoir network; the
effect of noisy signals on the prediction performance is also investigated, and
a stochastic-resonance-like phenomenon is observed. Finally, we demonstrate
that the new technique can be also utilized to infer the attracting basins of
coexisting attractors in typical chaotic systems.
- Abstract（参考訳）: 再生可能エネルギーが支配する電力システムは、しばしば大きくランダムな障害に遭遇し、電力システム管理で直面する重要な課題は、過渡状態の後に摂動システムが機能状態に戻るかどうかを正確に予測する方法である。
モデルに基づく研究は、この課題に対処する鍵は位相空間における機能的および機能的状態の誘引盆地にあることを示しているが、システム力学を記述する正確なモデルが一般に利用できないため、現実的な電力システムのための誘引盆地の発見は依然として困難である。
本稿では,測定データに基づいて,典型的な電力系統の誘引流域を推定する新しい機械学習手法,すなわち平衡貯水池計算を提案する。
具体的には、一握りの摂動イベントの時系列によって訓練され、訓練された機械は、大きなランダムな摂動に応じてシステムが機能状態に戻るかどうかを正確に予測し、機能状態の誘引盆地を再構築できることを実証する。
ニューマシンの動作機構を解析し、新しいマシンの成功は、リザーバネットワークのエコー特性とフェーディング特性のバランスの良さに起因することが明らかとなり、ノイズ信号が予測性能に与える影響も調べられ、確率共鳴のような現象が観測される。
最後に, この手法を用いて, 典型的なカオスシステムにおける既存の誘引器の誘引流域を推定できることを示す。
関連論文リスト
- AI-Lorenz: A physics-data-driven framework for black-box and gray-box
identification of chaotic systems with symbolic regression [2.07180164747172]
複雑な動的挙動をモデル化した数学的表現を学習するフレームワークを開発する。
私たちは、システムのダイナミクス、時間の変化率、モデル用語の欠如を学ぶために、小さなニューラルネットワークをトレーニングします。
これにより、動的挙動の将来的な進化を予測することができる。
論文 参考訳（メタデータ） (2023-12-21T18:58:41Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳（メタデータ） (2023-07-14T07:05:17Z) - Effect of temporal resolution on the reproduction of chaotic dynamics
via reservoir computing [0.0]
貯水池コンピューティング(Reservoir computing)は、非線形性と短期記憶を備えた貯水池と呼ばれる構造を用いる機械学習パラダイムである。
本研究では,サンプリングが貯水池コンピューティングのカオス時系列を自律的に再生する能力に与える影響を解析する。
論文 参考訳（メタデータ） (2023-01-27T13:31:15Z) - Programmable adiabatic demagnetization for systems with trivial and topological excitations [0.0]
量子コンピュータや量子シミュレータ上で任意のハミルトニアンの低エネルギー状態を作成するためのプロトコルを提案する。
このプロトコルは、固体システムを極低温に冷却するために使用される断熱脱磁性技術にインスパイアされている。
論文 参考訳（メタデータ） (2022-10-31T12:27:04Z) - 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) - Port-Hamiltonian Neural Networks with State Dependent Ports [58.720142291102135]
本手法は,数個の内力および外力を持つ単純な質量スプリングシステムと,より複雑で現実的なシステムの両方において,ストレス試験を行う。
ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張することができる。
スパースデータとノイズデータのトレーニングを改善するための対称高次積分器を提案する。
論文 参考訳（メタデータ） (2022-06-06T14:57:25Z) - Inferring Markovian quantum master equations of few-body observables in
interacting spin chains [18.569079917372736]
我々は,多体システムのサブシステムのダイナミクスのジェネレータを学習する。
我々はこれを利用して、サブシステムダイナミクスの定常状態の予測を行う。
論文 参考訳（メタデータ） (2022-01-27T15:53:42Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - Forced Variational Integrator Networks for Prediction and Control of
Mechanical Systems [7.538482310185133]
強制的変動積分器ネットワーク(FVIN)アーキテクチャにより,エネルギー散逸と外部強制を正確に考慮できることを示す。
これにより、高データ効率のモデルベース制御が可能となり、実際の非保守的なシステムで予測できる。
論文 参考訳（メタデータ） (2021-06-05T21:39:09Z) - 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。