論文の概要: Extreme Scenario Selection in Day-Ahead Power Grid Operational Planning

• arxiv url: http://arxiv.org/abs/2309.11067v1
• Date: Wed, 20 Sep 2023 05:09:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 13:06:06.943911
• Title: Extreme Scenario Selection in Day-Ahead Power Grid Operational Planning
• Title（参考訳）: 日頭電力グリッド運用計画における極端シナリオ選択
• Authors: Guillermo Terr\'en-Serrano and Michael Ludkovski
• Abstract要約: 本研究では,日頭グリッド計画における極端なシナリオ選択のための統計機能深度測定手法の提案と解析を行う。 我々の主な動機は、運用上のリスク軽減に最も関係のあるシナリオを特定するために、実現された負荷および再生可能生成のための確率的シナリオのスクリーニングである。 本研究は, 機能的深度対策, 負荷削減, 運用コスト, 貯蓄不足, 可変再生可能エネルギー削減など, さまざまな運用リスクについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose and analyze the application of statistical functional depth metrics for the selection of extreme scenarios in day-ahead grid planning. Our primary motivation is screening of probabilistic scenarios for realized load and renewable generation, in order to identify scenarios most relevant for operational risk mitigation. To handle the high-dimensionality of the scenarios across asset classes and intra-day periods, we employ functional measures of depth to sub-select outlying scenarios that are most likely to be the riskiest for the grid operation. We investigate a range of functional depth measures, as well as a range of operational risks, including load shedding, operational costs, reserves shortfall and variable renewable energy curtailment. The effectiveness of the proposed screening approach is demonstrated through a case study on the realistic Texas-7k grid.
• Abstract（参考訳）: 本研究では,日頭グリッド計画における極端なシナリオ選択のための統計機能深度測定手法の提案と解析を行う。 我々の主な動機は、運用リスク軽減に最も関係のあるシナリオを特定するために、実効負荷と再生可能生成のための確率的シナリオのスクリーニングである。 資産クラスと日内期間にまたがるシナリオの高次元性を扱うために,我々は,グリッド操作において最もリスクの高いシナリオをサブ選択するために,奥行きの関数的尺度を用いる。 本研究は, 機能的深層対策や, 負荷削減, 運用コスト, 備蓄不足, 可変再生可能エネルギー削減など, 様々な運用リスクについて検討した。 提案手法の有効性は,テキサス7kグリッドを事例として検証した。

関連論文リスト

• Extraction of Typical Operating Scenarios of New Power System Based on Deep Time Series Aggregation [9.058570505828103]
  典型的な運用シナリオの抽出は、新しい電源システムのディスパッチにおいて柔軟な決定を行う上で不可欠である。 本研究では、典型的な運用シナリオを生成するための新しいディープ時系列アグリゲーションスキーム(DTSA)を提案する。 ケーススタディでは,提案手法が新たな微粒化電力系統分割方式を抽出し,最新のハイスクリーン機能法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-23T08:39:25Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Exploration via Planning for Information about the Optimal Trajectory [67.33886176127578]
  我々は,タスクと現在の知識を考慮に入れながら,探索を計画できる手法を開発した。 本手法は, 探索基準値よりも2倍少ないサンプルで, 強いポリシーを学習できることを実証する。
  論文  参考訳（メタデータ） (2022-10-06T20:28:55Z)
• A Survey of Risk-Aware Multi-Armed Bandits [84.67376599822569]
  我々は、様々な利害リスク対策をレビューし、その特性についてコメントする。 我々は,探索と探索のトレードオフが現れる,後悔の最小化設定のためのアルゴリズムを検討する。 今後の研究の課題と肥大化についてコメントし、締めくくりに締めくくります。
  論文  参考訳（メタデータ） (2022-05-12T02:20:34Z)
• Normalizing Flow-based Day-Ahead Wind Power Scenario Generation for Profitable and Reliable Delivery Commitments by Wind Farm Operators [62.997667081978825]
  本稿では,予測情報を利用して,日頭スケジューリング問題における特定の利用シナリオを生成するシナリオ生成手法を提案する。 特に,日頭風速予測を用いて,そのシナリオを特定の日に合わせて調整する条件分布から,正規化フローを用いて風力発電シナリオを生成する。 本稿では,風力発電者の日頭入札問題に生成シナリオを適用し,そのシナリオが有益で信頼性の高い意思決定をもたらすかどうかに着目した統計的分析を行う。
  論文  参考訳（メタデータ） (2022-04-05T14:27:25Z)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• Risk Conditioned Neural Motion Planning [14.018786843419862]
  リスクバウンド・モーション・プランニングは、安全クリティカルなタスクにとって重要な問題であるが難しい問題である。 本稿では,リスク評論家による計画の実行リスクを推定するために,ソフトアクター批評家モデルの拡張を提案する。 計算時間と計画品質の両面で,我々のモデルの利点を示す。
  論文  参考訳（メタデータ） (2021-08-04T05:33:52Z)
• Multimodal Safety-Critical Scenarios Generation for Decision-Making Algorithms Evaluation [23.43175124406634]
  既存のニューラルネットワークベースの自律システムは、敵の攻撃に対して脆弱であることが示されている。 意思決定アルゴリズムの評価のためのフローベースマルチモーダル安全クリティカルシナリオジェネレータを提案する。 生成したトラフィックシナリオを用いて6つの強化学習アルゴリズムを評価し,その堅牢性に関する実証的な結論を提供する。
  論文  参考訳（メタデータ） (2020-09-16T15:16:43Z)
• SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
  SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。 我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。 アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
  論文  参考訳（メタデータ） (2020-06-12T10:40:46Z)
• Learning to Collide: An Adaptive Safety-Critical Scenarios Generating Method [20.280573307366627]
  本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。 提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-02T21:26:03Z)

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。