Fugu-MT 論文翻訳(概要): Learning Power Flow with Confidence: A Probabilistic Guarantee Framework for Voltage Risk

論文の概要: Learning Power Flow with Confidence: A Probabilistic Guarantee Framework for Voltage Risk

arxiv url: http://arxiv.org/abs/2308.07867v3
Date: Wed, 15 Oct 2025 03:20:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-16 20:13:28.191472
Title: Learning Power Flow with Confidence: A Probabilistic Guarantee Framework for Voltage Risk
Title（参考訳）: 信頼で力の流れを学習する: リスクリスクの確率的保証フレームワーク
Authors: Parikshit Pareek, Sidhant Misra, Deepjyoti Deka,
Abstract要約: 本稿では,電力フロー学習と電圧リスク推定の確率的保証を提案する。提案したVDK-GPは,平均絶対電圧誤差を1E-03 p.u未満で達成し,ACPF計算の15倍少ないモンテカルロレベルの電圧リスク推定値を再現し,評価時間を120倍以上短縮する。
参考スコア（独自算出の注目度）: 1.4592479124539988
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The absence of formal performance guarantees in machine learning (ML) has limited its adoption for safety-critical power system applications, where confidence and interpretability are as vital as accuracy. In this work, we present a probabilistic guarantee for power flow learning and voltage risk estimation, derived through the framework of Gaussian Process (GP) regression. Specifically, we establish a bound on the expected estimation error that connects the GP's predictive variance to confidence in voltage risk estimates, ensuring statistical equivalence with Monte Carlo-based ACPF risk quantification. To enhance model learnability in the low-data regime, we first design the Vertex-Degree Kernel (VDK), a topology-aware additive kernel that decomposes voltage-load interactions into local neighborhoods for efficient large-scale learning. Building on this, we introduce a network-swipe active learning (AL) algorithm that adaptively samples informative operating points and provides a principled stopping criterion without requiring out-of-sample validation. Together, these developments mitigate the principal bottleneck of ML-based power flow-its lack of guaranteed reliability-by combining data efficiency with analytical assurance. Empirical evaluations across IEEE 118-, 500-, and 1354-bus systems confirm that the proposed VDK-GP achieves mean absolute voltage errors below 1E-03 p.u., reproduces Monte Carlo-level voltage risk estimates with 15x fewer ACPF computations, and achieves over 120x reduction in evaluation time while conservatively bounding violation probabilities.
Abstract（参考訳）: 機械学習(ML)における正式なパフォーマンス保証の欠如は、信頼性と解釈可能性が正確さと同じくらい不可欠である安全クリティカルな電力システムアプリケーションへの採用を制限している。本研究では,ガウス過程(GP)回帰の枠組みを基礎として,電力フロー学習と電圧リスク推定の確率論的保証を提案する。具体的には、GPの予測分散と電圧リスク推定の信頼性を結合する予測推定誤差のバウンダリを確立し、モンテカルロをベースとしたACPFリスク定量化との統計的等価性を確保する。低データ構造におけるモデル学習性を高めるために,我々はまず,局所的に電圧負荷相互作用を分解して大規模学習を行うトポロジ対応付加型カーネルVertex-Degree Kernel (VDK) を設計する。そこで本研究では,情報的操作点を適応的にサンプリングし,サンプル外検証を必要とせずに停止基準を提供するネットワークスワイプ型能動学習(AL)アルゴリズムを提案する。これらの開発により、MLベースの電力フローの主なボトルネックを緩和し、データ効率と解析的保証を組み合わせることで、信頼性が保証されていない。 IEEE 118-, 500-, 1354バスシステムの実験的な評価により、提案したVDK-GPは1E-03 p.u.以下の平均絶対電圧誤差を達成し、モンテカルロレベルの電圧リスク推定を15倍のACPF計算で再現し、違反確率を保守的に制限しながら、評価時間を120倍以上短縮することを確認した。

関連論文リスト

KAT-V1: Kwai-AutoThink Technical Report [50.84483585850113]
Kwaipilot-AutoThink (KAT) はオープンソースの40B大言語モデルであり、推論集約タスクにおける過大な問題に対処するために開発された。 KATはタスクの複雑さに基づいて推論モードと非推論モードを動的に切り替える。また、GRPOフレームワークに中間管理を組み込んだ強化学習アルゴリズムであるStep-SRPOを提案する。
論文参考訳（メタデータ） (2025-07-11T04:07:10Z)
Power Flow Approximations for Multiphase Distribution Networks using Gaussian Processes [0.2812395851874055]
本研究では, ガウス過程(GP)に基づくデータ駆動型潮流モデルを提案する。 IEEE 123-bus と 8500-node 配電試験装置を用いたシミュレーションの結果, トレーニングしたGPモデルが非線形電力流解を確実に予測できることが実証された。また,提案したGPベースパワーフロー近似器のトレーニング効率と試験性能を,ディープニューラルネットワークベース近似器に対して比較検討した。
論文参考訳（メタデータ） (2025-04-30T02:26:31Z)
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。