論文の概要: Deep Learning-enabled MCMC for Probabilistic State Estimation in
District Heating Grids
- arxiv url: http://arxiv.org/abs/2305.15445v1
- Date: Wed, 24 May 2023 08:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 19:20:38.362495
- Title: Deep Learning-enabled MCMC for Probabilistic State Estimation in
District Heating Grids
- Title(参考訳): 深層学習型MCMCによる地域熱グリッドの確率的状態推定
- Authors: Andreas Bott, Tim Janke, Florian Steinke
- Abstract要約: 地域熱グリッドは、将来の低炭素エネルギーシステムにおいて重要な部分である。
ネットワーク熱交換の空間においてマルコフ・チェイン・モンテカルロサンプリングを用いて後部を推定する。
ディープニューラルネットワークは、正確だが遅い非線形ソルバの解を近似するように訓練される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Flexible district heating grids form an important part of future, low-carbon
energy systems. We examine probabilistic state estimation in such grids, i.e.,
we aim to estimate the posterior probability distribution over all grid state
variables such as pressures, temperatures, and mass flows conditional on
measurements of a subset of these states. Since the posterior state
distribution does not belong to a standard class of probability distributions,
we use Markov Chain Monte Carlo (MCMC) sampling in the space of network heat
exchanges and evaluate the samples in the grid state space to estimate the
posterior. Converting the heat exchange samples into grid states by solving the
non-linear grid equations makes this approach computationally burdensome.
However, we propose to speed it up by employing a deep neural network that is
trained to approximate the solution of the exact but slow non-linear solver.
This novel approach is shown to deliver highly accurate posterior distributions
both for classic tree-shaped as well as meshed heating grids, at significantly
reduced computational costs that are acceptable for online control. Our state
estimation approach thus enables tightening the safety margins for temperature
and pressure control and thereby a more efficient grid operation.
- Abstract(参考訳): フレキシブル地域暖房グリッドは、将来の低炭素エネルギーシステムにおいて重要な部分を占めている。
このようなグリッドの確率的状態推定,すなわち,これらの状態のサブセットの測定を条件に,圧力,温度,質量フローといったすべてのグリッド状態変数の後方確率分布を推定することを目的とする。
後続状態分布は確率分布の標準クラスに属さないので、ネットワーク熱交換空間におけるマルコフ・チェイン・モンテカルロ(MCMC)サンプリングを用いて、グリッド状態空間におけるサンプルを評価し、後続状態分布を推定する。
非線形格子方程式を解いて熱交換サンプルを格子状態に変換すると、このアプローチは計算量的に負担がかかる。
しかし、我々は、正確だが遅い非線形解法の解を近似するように訓練されたディープニューラルネットワークを用いることで、それを高速化することを提案する。
この手法は,従来の木形とメッシュ式加熱グリッドの両方に対して高精度な後部分布を提供することで,オンライン制御に許容される計算コストを大幅に削減する。
これにより, 温度, 圧力制御の安全マージンを狭めることができ, より効率的なグリッド操作が可能となる。
関連論文リスト
- Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳(メタデータ) (2023-06-06T09:12:49Z) - Inferring networks from time series: a neural approach [3.115375810642661]
本稿では,ニューラルネットワークを用いて時系列データから大規模ネットワーク隣接行列を推定する強力な計算手法を提案する。
電力カットに対する応答から、英国電力網の線路故障箇所を推定することで、我々の能力を実証する。
論文 参考訳(メタデータ) (2023-03-30T15:51:01Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic
Representation [62.017505017414564]
教師なしの方法でニューラルソルバを訓練することが不可欠である。
既存の手法は妥当な精度を達成し、重要な計算課題と不正確なシミュレーションをもたらす。
PDEの確率的表現を用いて教師なしニューラルソルバを訓練するためのモンテカルロPDEソルバを提案する。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳(メタデータ) (2022-04-19T10:51:00Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳(メタデータ) (2022-02-28T15:53:10Z) - Kalman Bayesian Neural Networks for Closed-form Online Learning [5.220940151628734]
閉形式ベイズ推論によるBNN学習のための新しい手法を提案する。
出力の予測分布の計算と重み分布の更新をベイズフィルタおよび平滑化問題として扱う。
これにより、勾配降下のないシーケンシャル/オンライン方式でネットワークパラメータをトレーニングするためのクローズドフォーム表現が可能になる。
論文 参考訳(メタデータ) (2021-10-03T07:29:57Z) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳(メタデータ) (2021-02-04T02:21:08Z) - State Estimation of Power Flows for Smart Grids via Belief Propagation [0.0]
信念伝播(Breief propagation)は、統計物理学と計算機科学で知られているアルゴリズムである。
状態推定自体のグリッドサイズとともに,信念の伝播が線形にスケールすることを示す。
また、欠落したデータの検索を促進・加速し、測定単位の最適な位置決めを可能にする。
論文 参考訳(メタデータ) (2020-12-18T19:22:03Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳(メタデータ) (2020-10-09T14:18:31Z) - An adaptive Hessian approximated stochastic gradient MCMC method [12.93317525451798]
後方からのサンプリング中に局所的幾何情報を組み込む適応型ヘッセン近似勾配MCMC法を提案する。
我々は,ネットワークの空間性を高めるために,等級に基づく重み付け法を採用する。
論文 参考訳(メタデータ) (2020-10-03T16:22:15Z) - Parameterizing uncertainty by deep invertible networks, an application
to reservoir characterization [0.9176056742068814]
フルウェーブフォーム逆転に対する不確かさの定量化は、問題の条件の不確かさを確率論的に特徴づける。
本研究では,モデル空間へのガウス的ランダム入力を,実際の後部分布からサンプリングしたかのように「前方」に学習するディープネットワークを特徴とするアプローチを提案する。
論文 参考訳(メタデータ) (2020-04-16T18:37:56Z)
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。