論文の概要: Physics-Informed Neural Networks for Accelerating Power System State Estimation

• arxiv url: http://arxiv.org/abs/2310.03088v1
• Date: Wed, 4 Oct 2023 18:14:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 20:41:20.207143
• Title: Physics-Informed Neural Networks for Accelerating Power System State Estimation
• Title（参考訳）: 電力系統状態推定を高速化する物理形ニューラルネットワーク
• Authors: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael
• Abstract要約: 本研究では,物理インフォームドニューラルネットワーク(PINN)による電力系統状態推定の高速化について検討する。 電力系統の物理的知識をPINNの統合により活用する新しい手法を提案する。 提案手法は,最大11%の精度向上,75%の標準偏差低減,30%の高速化を実現している。
• 参考スコア（独自算出の注目度）: 1.4483890584579282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State estimation is the cornerstone of the power system control center since it provides the operating condition of the system in consecutive time intervals. This work investigates the application of physics-informed neural networks (PINNs) for accelerating power systems state estimation in monitoring the operation of power systems. Traditional state estimation techniques often rely on iterative algorithms that can be computationally intensive, particularly for large-scale power systems. In this paper, a novel approach that leverages the inherent physical knowledge of power systems through the integration of PINNs is proposed. By incorporating physical laws as prior knowledge, the proposed method significantly reduces the computational complexity associated with state estimation while maintaining high accuracy. The proposed method achieves up to 11% increase in accuracy, 75% reduction in standard deviation of results, and 30% faster convergence, as demonstrated by comprehensive experiments on the IEEE 14-bus system.
• Abstract（参考訳）: 状態推定は、連続した時間間隔でシステムの動作状態を提供するため、電力系統制御センターの基盤となる。 本研究は,電力系統の動作監視における電力系統状態推定の高速化を目的とした物理インフォームドニューラルネットワーク(PINN)の適用について検討する。 従来の状態推定手法は、特に大規模電力システムにおいて計算集約的な反復アルゴリズムに依存することが多い。 本稿では,PINNの統合による電力系統の物理的知識を活用する新しい手法を提案する。 物理法則を事前知識として組み込むことにより,高精度を維持しながら状態推定に伴う計算複雑性を著しく低減する。 提案手法はieee 14-busシステムにおける包括的実験で示されるように,最大11%の精度向上,75%の標準偏差,30%の高速化を実現している。

関連論文リスト

• Brain-Inspired Decentralized Satellite Learning in Space Computing Power Networks [42.67808523367945]
  Space Computing Power Networks (Space-CPN) は、衛星の計算能力を調整し、オンボードのデータ処理を可能にする、有望なアーキテクチャとして登場した。 本稿では,ニューロモルフィックコンピューティングアーキテクチャがサポートするスパイクニューラルネットワーク(SNN)をオンボードデータ処理に適用することを提案する。 我々は分散型ニューロモルフィック学習フレームワークを提案し、通信効率の良い平面間モデルアグリゲーション法を開発した。
  論文  参考訳（メタデータ） (2025-01-27T12:29:47Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Capturing many-body correlation effects with quantum and classical computing [40.7853309684189]
  我々は、X線光電子分光に関連するコアレベル状態の同定におけるQPE(Quantum Phase Estor)の有効性を示す。 我々は,QPE予測を,正確な対角化およびリアルタイムな運動方程式結合クラスタの定式化と比較し,検証する。
  論文  参考訳（メタデータ） (2024-02-18T01:26:45Z)
• Physics-Informed Neural Networks for an optimal counterdiabatic quantum computation [32.73124984242397]
  我々は,N_Q$量子ビットを持つ系からなる量子回路の最適化において,物理インフォームドニューラルネットワーク(PINN)の強度を活用して,逆ダイアバティック(CD)プロトコルに対処する新しい手法を提案する。 この手法の主な応用は、STO-3Gベースの2量子および4量子系で表される$mathrmH_2$と$mathrmLiH$分子である。
  論文  参考訳（メタデータ） (2023-09-08T16:55:39Z)
• Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy, Computational Cost, and Flexibility [0.0]
  物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。 本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。 そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
  論文  参考訳（メタデータ） (2023-03-15T23:53:32Z)
• Time-Synchronized Full System State Estimation Considering Practical Implementation Challenges [0.15978270011184256]
  この問題を解決するために,Deep Neural Network-based State Estimator (DeNSE)を提案する。 DeNSEは、緩やかな時間スケールから引き出された推論と広範囲にわたる監視制御とデータ取得(SCADA)データを高速な時間スケールに間接的に組み合わせるために、ベイズフレームワークを使用している。 IEEE 118-busシステムを用いて得られた結果は、純粋にSCADA状態推定器とPMUのみの線形状態推定器よりもDeNSEの優位性を示す。
  論文  参考訳（メタデータ） (2022-12-04T02:59:32Z)
• Physics-informed neural networks for quantum control [0.0]
  物理インフォームドニューラルネットワーク(PINN)を用いた最適量子制御問題の計算手法を提案する。 我々は,高確率,短時間の進化,低エネルギー消費制御を用いた状態間移動問題を効率的に解き,量子システムを開放する手法を適用した。
  論文  参考訳（メタデータ） (2022-06-13T16:17:22Z)
• Ps and Qs: Quantization-aware pruning for efficient low latency neural network inference [56.24109486973292]
  超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。 量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
  論文  参考訳（メタデータ） (2021-02-22T19:00:05Z)
• Efficient Reachability Analysis of Closed-Loop Systems with Neural Network Controllers [39.27951763459939]
  本研究は,NNコントローラを用いた前方到達可能な閉ループシステムの推定に焦点をあてる。 最近の研究は到達可能な集合の境界を提供するが、計算効率の高いアプローチは過度に保守的な境界を提供する。 この作業は、NNコントローラによる閉ループシステムの到達可能性解析のための凸最適化問題を定式化することでギャップを埋める。
  論文  参考訳（メタデータ） (2021-01-05T22:30:39Z)
• High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
  AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。 本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
  論文  参考訳（メタデータ） (2020-06-29T20:22:16Z)
• Physics-Informed Neural Networks for Non-linear System Identification for Power System Dynamics [0.0]
  本稿では,将来の電力系統の周波数ダイナミクスを発見するための物理情報ニューラルネットワーク(PINN)の性能について検討する。 PINNは、低慣性システムのより強い非線形性、測定ノイズの増加、データの可用性の制限といった課題に対処する可能性がある。
  論文  参考訳（メタデータ） (2020-04-08T14:50:13Z)

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。