論文の概要: Fast Risk Assessment in Power Grids through Novel Gaussian Process and Active Learning
- arxiv url: http://arxiv.org/abs/2308.07867v2
- Date: Sun, 21 Jul 2024 20:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 05:46:42.582562
- Title: Fast Risk Assessment in Power Grids through Novel Gaussian Process and Active Learning
- Title(参考訳): ガウス過程とアクティブラーニングによる電力グリッドの高速リスク評価
- Authors: Parikshit Pareek, Deepjyoti Deka, Sidhant Misra,
- Abstract要約: 本稿では,臨界電圧制約に対するデータ駆動型リスク評価のためのグラフ構造化ガウス過程(GP)モデルを提案する。
GPを効率的に推定するために,VDKの付加構造を利用した新しいアクティブラーニング手法を提案する。
- 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 graph-structured Gaussian process (GP) model for data-driven risk assessment of critical voltage constraints. The proposed GP is based on a novel kernel, named the vertex-degree kernel (VDK), that decomposes the voltage-load relationship based on the network graph. To estimate the GP efficiently, we propose a novel active learning scheme that leverages the additive structure of VDK. Further, we prove a probabilistic bound on the error in risk estimation using VDK-GP model that demonstrates that it is statistically comparable to using standard AC power flow (AC-PF), but does not require computing a large number of ACPF solutions. Simulations demonstrate that the proposed VDK-GP achieves more than two fold sample complexity reduction, compared to a generic GP on medium scale 500-Bus and large scale 1354-Bus power systems. Moreover, active learning achieves an impressive reduction of over 15 times in comparison to the time complexity of Monte-Carlo simulations (MCS), and have risk estimation error of order 1E-4 for both 500-Bus and 1354-Bus system, demonstrating its superior efficiency in risk estimation.
- Abstract(参考訳): 本稿では,臨界電圧制約に対するデータ駆動型リスク評価のためのグラフ構造化ガウス過程(GP)モデルを提案する。
提案したGPは、ネットワークグラフに基づいて電圧-負荷関係を分解する、vertex-degree kernel (VDK) と呼ばれる新しいカーネルに基づいている。
GPを効率的に推定するために,VDKの付加構造を利用した新しいアクティブラーニング手法を提案する。
さらに、VDK-GPモデルを用いたリスク推定における誤差の確率的境界を証明し、標準交流電力フロー(AC-PF)と統計的に比較できるが、多数のACPFソリューションを計算する必要がなくなることを示した。
シミュレーションにより,提案したVDK-GPは,中規模500-Busと大規模1354-Busの汎用GPと比較して,2倍以上の複雑さの低減を実現することが示された。
さらに, モンテカルロシミュレーション (MCS) の時間的複雑さと比較して, アクティブラーニングの精度は15倍以上に低下し, 500-Bus と 1354-Bus のいずれにおいても, オーダー1E-4 のリスク推定誤差があり, リスク推定の効率が優れていた。
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。