論文の概要: Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of
Transient Stability for Changing Power Grid Topologies
- arxiv url: http://arxiv.org/abs/2308.00537v1
- Date: Tue, 1 Aug 2023 13:30:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 14:02:36.300139
- Title: Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of
Transient Stability for Changing Power Grid Topologies
- Title(参考訳): 動的特徴量に基づくグラフ埋め込みによる電力グリッドトポロジ変化のための過渡安定度学習
- Authors: Zijian Lv, Xin Chen, Zijian Feng
- Abstract要約: GEDF-SCLモデルでは、教師付きコントラスト学習を用いてGEDFの過渡安定性を予測する。
その結果,GEDF-SCLモデルは過渡安定度予測において高い精度が得られることがわかった。
- 参考スコア(独自算出の注目度): 4.344709230906635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate online transient stability prediction is critical for ensuring power
system stability when facing disturbances. While traditional transient stablity
analysis replies on the time domain simulations can not be quickly adapted to
the power grid toplogy change. In order to vectorize high-dimensional power
grid topological structure information into low-dimensional node-based graph
embedding streaming data, graph embedding dynamic feature (GEDF) has been
proposed. The transient stability GEDF-based supervised contrastive learning
(GEDF-SCL) model uses supervised contrastive learning to predict transient
stability with GEDFs, considering power grid topology information. To evaluate
the performance of the proposed GEDF-SCL model, power grids of varying
topologies were generated based on the IEEE 39-bus system model. Transient
operational data was obtained by simulating N-1 and N-$\bm{m}$-1 contingencies
on these generated power system topologies. Test result demonstrated that the
GEDF-SCL model can achieve high accuracy in transient stability prediction and
adapt well to changing power grid topologies.
- Abstract(参考訳): オンライン過渡安定性の正確な予測は、外乱に直面した場合の電力系統の安定性を確保するために不可欠である。
従来の過渡的スタビリティ解析は時間領域シミュレーションに応答するが、パワーグリッドのトポロジー変化に迅速に適用することはできない。
高次元電力グリッド構造情報を低次元ノードグラフ埋め込みストリーミングデータにベクトル化するために,グラフ埋め込み動的特徴量(GEDF)が提案されている。
過渡安定性 gedf-based supervised contrastive learning (gedf-scl) モデルでは,電力グリッドトポロジ情報を考慮した過渡安定性を予測するために教師付きコントラスト学習を用いる。
提案したGEDF-SCLモデルの性能を評価するため,IEEE 39-busシステムモデルに基づいて様々なトポロジの電力グリッドを生成する。
N-1 と N-$\bm{m}$-1 をこれらの発電系トポロジ上でシミュレーションすることにより、過渡的な運用データを得た。
実験の結果,GEDF-SCLモデルは過渡安定度予測において高い精度を達成でき,電力グリッドトポロジの変化によく適応できることがわかった。
関連論文リスト
- SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。
グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。
本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
論文 参考訳(メタデータ) (2024-10-21T15:47:03Z) - Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳(メタデータ) (2024-09-05T18:14:22Z) - SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳(メタデータ) (2024-07-17T09:01:38Z) - Transferable Deep Learning Power System Short-Term Voltage Stability
Assessment with Physics-Informed Topological Feature Engineering [7.525107154126671]
ディープラーニングアルゴリズムは、電力系統の短期電圧安定性評価(STVS)に広く応用されている。
本稿では、PMUデータからトポロジ対応の電圧動的特徴を構築することにより、STVS評価のための転送可能なDLベースモデルを提案する。
提案手法は,微調整後のグリッドトポロジに優れた性能を示す。
論文 参考訳(メタデータ) (2023-03-13T14:05:18Z) - Identification of Power System Oscillation Modes using Blind Source
Separation based on Copula Statistic [1.8741805956888702]
再生可能エネルギー資源が大量に浸透する電力システムのダイナミクスは、より非線形になってきている。
適切な予防的または矯正的制御行動を開始するために障害を受けるとき、振動の動的モードを正確に識別することが重要である。
モーダル解析においてこれらの非線形力学に対処するために,コプラ統計に基づく高次ブラインドソース同定(HOBI)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-07T17:38:05Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Toward Dynamic Stability Assessment of Power Grid Topologies using Graph
Neural Networks [0.0]
Renewablesは、分散化による動的安定性、慣性低下、生産時のボラティリティに関する電力グリッドに新たな課題を導入している。
グラフニューラルネットワーク(GNN)は電力グリッドの動的安定性を解析する計算労力を削減するための有望な手法である。
GNNは、トポロジカル情報のみから高度に非線形なターゲットを予測するのに驚くほど効果的です。
論文 参考訳(メタデータ) (2022-06-10T07:23:22Z) - 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) - Fast Transient Stability Prediction Using Grid-informed Temporal and
Topological Embedding Deep Neural Network [4.116150060665464]
本稿では,時間的および位相的埋め込み型ディープニューラルネットワーク(TTEDNN)モデルを提案する。
TTEDNNモデルは、時系列データから時間的・トポロジ的特徴を抽出することにより、過渡安定性を正確かつ効率的に予測することができる。
以上の結果から,TTEDNNモデルは最高の,最も堅牢な予測性能を有することがわかった。
論文 参考訳(メタデータ) (2022-01-23T12:22:44Z) - Predicting Dynamic Stability of Power Grids using Graph Neural Networks [0.1539132101969243]
複雑な電力網における同期の動的安定性を予測するためのグラフニューラルネットワーク(GNN)の適用可能性について検討する。
我々はそれぞれ20ノードと100ノードのグリッド用の2つの合成データセットを生成し、モンテカルロサンプリングを用いて単一ノード盆地安定性(SNBS)を推定する。
SNBSは一般に予測でき、異なるGNNモデルを用いて性能が大きく変化することを示す。
論文 参考訳(メタデータ) (2021-08-18T16:43:06Z) - 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。