論文の概要: Graph-Structured Kernel Design for Power Flow Learning using Gaussian Processes

• arxiv url: http://arxiv.org/abs/2308.07867v1
• Date: Tue, 15 Aug 2023 16:34:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-16 12:11:52.611029
• Title: Graph-Structured Kernel Design for Power Flow Learning using Gaussian Processes
• Title（参考訳）: ガウス過程を用いたパワーフロー学習のためのグラフ構造カーネル設計
• Authors: Parikshit Pareek, Deepjyoti Deka, and Sidhant Misra
• Abstract要約: 本稿では,ガウス過程(GP)を用いた電力フロー学習のための物理インスピレーション付きグラフ構造化カーネルを提案する。 本稿では,VDKの学習を高速化するために,逐次学習入力をインテリジェントに選択するネットワークスワイプ型能動学習手法を提案する。 ネットワーク・スワイプ・アルゴリズムは、中規模の500-Busシステムでは2倍のランダム・トライアルで500個のランダム・トライアルの平均性能を平均10%向上させ、大規模1354-Busシステムでは25個のランダム・トライアルの最高性能を10%向上させる。
• 参考スコア（独自算出の注目度）: 2.8060709233558647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a physics-inspired graph-structured kernel designed for power flow learning using Gaussian Process (GP). The kernel, named the vertex-degree kernel (VDK), relies on latent decomposition of voltage-injection relationship based on the network graph or topology. Notably, VDK design avoids the need to solve optimization problems for kernel search. To enhance efficiency, we also explore a graph-reduction approach to obtain a VDK representation with lesser terms. Additionally, we propose a novel network-swipe active learning scheme, which intelligently selects sequential training inputs to accelerate the learning of VDK. Leveraging the additive structure of VDK, the active learning algorithm performs a block-descent type procedure on GP's predictive variance, serving as a proxy for information gain. Simulations demonstrate that the proposed VDK-GP achieves more than two fold sample complexity reduction, compared to full GP on medium scale 500-Bus and large scale 1354-Bus power systems. The network-swipe algorithm outperforms mean performance of 500 random trials on test predictions by two fold for medium-sized 500-Bus systems and best performance of 25 random trials for large-scale 1354-Bus systems by 10%. Moreover, we demonstrate that the proposed method's performance for uncertainty quantification applications with distributionally shifted testing data sets.
• Abstract（参考訳）: 本稿では,ガウス過程(GP)を用いた電力フロー学習のための物理インスピレーション付きグラフ構造化カーネルを提案する。 VDK (vertex-degree kernel) と呼ばれるカーネルは、ネットワークグラフやトポロジーに基づく電圧-注入関係の遅延分解に依存している。 特に、VDK設計では、カーネル探索の最適化問題を解く必要がなくなる。 効率を向上させるため、より少ない項でvdk表現を得るためのグラフリダクション手法も検討する。 さらに,VDKの学習を高速化するために,逐次学習入力をインテリジェントに選択するネットワークスワイプ型アクティブ学習手法を提案する。 vdkの付加構造を利用して、アクティブラーニングアルゴリズムはgpの予測分散に対してブロック・ディセント型手続きを実行し、情報ゲインのプロキシとして機能する。 シミュレーションにより,提案するvdk-gpは,中規模 500 バスと大規模 1354 バス電力系統のフル gp と比較して,2 倍以上の複雑化を実現した。 ネットワークスウィップアルゴリズムは,中規模500バスシステムでは2折り畳みテスト,大規模1354バスシステムでは25回のランダムトライアルでは10%の精度で,500ランダムトライアルの平均性能を上回っている。 さらに, 分布シフトテストデータセットを用いた不確実性定量化アプリケーションにおける提案手法の性能を示す。

関連論文リスト

• Data-Driven Stochastic AC-OPF using Gaussian Processes [0.0]
  この論文は、交流電流(AC)制約(CC)パワーフロー(OPF)問題を解決するために、機械学習に基づくデータ駆動アルゴリズムの開発に焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-17T19:30:33Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
  本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。 システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
  論文  参考訳（メタデータ） (2023-10-07T15:07:10Z)
• Data-Efficient Strategies for Probabilistic Voltage Envelopes under Network Contingencies [2.8060709233558647]
  本研究では,ネットワーク共振器を有するグリッドにおける電力フロー学習を用いた確率電圧エンベロープ(PVE)を構築するための効率的なデータ駆動手法を提案する。 提案手法は,モンテカルロサンプリング法に比べて16倍少ない電力フロー解を用いてPVEを実現できることを示す。
  論文  参考訳（メタデータ） (2023-10-01T19:02:00Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Matching Pursuit Based Scheduling for Over-the-Air Federated Learning [67.59503935237676]
  本稿では,フェデレートラーニング手法を用いて,オーバー・ザ・エアラーニングのための低複雑さデバイススケジューリングアルゴリズムのクラスを開発する。 最先端の提案方式と比較すると,提案方式は極めて低効率なシステムである。 提案手法の有効性は,CIFARデータセットを用いた実験により確認した。
  論文  参考訳（メタデータ） (2022-06-14T08:14:14Z)
• Machine Learning Assisted Approach for Security-Constrained Unit Commitment [0.0]
  セキュリティ制約単位コミットメント(SCUC)は、電力系統のデイアヘッド発生スケジューリングに使用される。 優れたウォームスタートソリューションや縮小SCUCモデルは、大幅な時間節約をもたらす可能性がある。 機械学習(ML)を効果的に活用し、優れた開始解を提供し、SCUCの問題を小さくする新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T03:51:26Z)
• Model-Based Policy Search Using Monte Carlo Gradient Estimation with Real Systems Application [12.854118767247453]
  EmphMonte Carlo Probabilistic Inference for Learning Control (MC-PILCO) というモデルベース強化学習(MBRL)アルゴリズムを提案する。 このアルゴリズムは、システム力学をモデル化するガウス過程(GP)と、政策勾配を推定するモンテカルロのアプローチに依存している。 シミュレーションされたカートポール環境における数値的な比較により、MC-PILCOはより優れたデータ効率と制御性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-01-28T17:01:15Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Fast Bayesian Estimation of Spatial Count Data Models [0.0]
  シミュレーション問題ではなく最適化問題として変分ベイズ(VB)を導入する。 VB法は、観測されていないパラメータと空間依存性を持つ負二項モデルにおける後部推論のために導出される。 VBアプローチは、シミュレーションと経験的研究において、通常の8コアプロセッサ上でのMCMCの約45倍から50倍高速である。
  論文  参考訳（メタデータ） (2020-07-07T10:24:45Z)

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。