論文の概要: Unraveling Fundamental Properties of Power System Resilience Curves
using Unsupervised Machine Learning
- arxiv url: http://arxiv.org/abs/2310.10030v1
- Date: Mon, 16 Oct 2023 03:16:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 16:48:19.181614
- Title: Unraveling Fundamental Properties of Power System Resilience Curves
using Unsupervised Machine Learning
- Title（参考訳）: 教師なし機械学習による電力系統抵抗曲線の基本特性の解明
- Authors: Bo Li, Ali Mostafavi
- Abstract要約: 本研究は,3大気象イベントにおける停電に関連する200以上のレジリエンス曲線について検討した。
教師なし機械学習を用いて、異なる曲線アーチタイプ、および各レジリエンス曲線アーチタイプの基本特性について検討した。
その結果, 電力系統の弾力性曲線, 三角形, 台形曲線の2つの主要なアーチタイプが示された。
- 参考スコア（独自算出の注目度）: 8.132433349921374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The standard model of infrastructure resilience, the resilience triangle, has
been the primary way of characterizing and quantifying infrastructure
resilience. However, the theoretical model merely provides a one-size-fits-all
framework for all infrastructure systems. Most of the existing studies examine
the characteristics of infrastructure resilience curves based on analytical
models constructed upon simulated system performance. Limited empirical studies
hindered our ability to fully understand and predict resilience characteristics
in infrastructure systems. To address this gap, this study examined over 200
resilience curves related to power outages in three major extreme weather
events. Using unsupervised machine learning, we examined different curve
archetypes, as well as the fundamental properties of each resilience curve
archetype. The results show two primary archetypes for power system resilience
curves, triangular, and trapezoidal curves. Triangular curves characterize
resilience behavior based on 1. critical functionality threshold, 2. critical
functionality recovery rate, and 3. recovery pivot point. Trapezoidal
archetypes explain resilience curves based on 1. duration of sustained function
loss and 2. constant recovery rate. The longer the duration of sustained
function loss, the slower the constant rate of recovery. The findings of this
study provide novel perspectives enabling better understanding and prediction
of resilience performance of power system infrastructures.
- Abstract（参考訳）: インフラストラクチャのレジリエンスの標準モデルであるレジリエンス三角形は、インフラストラクチャのレジリエンスを特徴づけ、定量化する主要な方法である。
しかし、理論モデルは単にすべてのインフラシステムに一大のフレームワークを提供するだけである。
既存研究の多くは, シミュレーションシステムの性能に基づく解析モデルに基づいて, インフラストラクチャのレジリエンス曲線の特性について検討している。
限定的な実証研究は、インフラストラクチャシステムのレジリエンス特性を完全に理解し、予測する能力を妨げました。
このギャップに対処するため,三大極度気象イベントにおける停電に伴う200以上のレジリエンス曲線を調査した。
教師なし機械学習を用いて,異なる曲線アーチタイプ,および各弾性曲線アーチタイプの基本特性を検討した。
その結果, 電力系統弾性曲線, 三角曲線, 台形曲線の2つの主要なアーチタイプが得られた。
三角形曲線は弾性挙動を特徴づける
1. 重要な機能しきい値
2. 重要な機能回復率、及び
3. 回復ピボットポイント。
トラペジイド型アーチタイプによる弾性曲線の解明
一 持続的機能喪失及び持続的機能喪失の期間
2. 一定の回復率
機能損失の持続期間が長ければ長いほど、回復の一定速度が遅くなる。
本研究の知見は, 電力系統インフラのレジリエンス性能をよりよく理解し, 予測することを可能にする新しい視点を提供する。
関連論文リスト
- Physics-informed DeepONet with stiffness-based loss functions for structural response prediction [0.07538606213726905]
本研究では,DeepOnetを用いた構造的静的応答のリアルタイム予測手法を提案する。
トレーニングされたDeepONetは、1秒以内にドメイン全体のソリューションを生成することができる。
論文 参考訳（メタデータ） (2024-09-02T07:19:47Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - PRIME: A CyberGIS Platform for Resilience Inference Measurement and Enhancement [1.4716925415659332]
社会分野でのレジリエンスの定義と定量化は、社会経済的要因と災害レジリエンスとの複雑な相互作用のため、比較的主観的である。
ローカル条件を考慮したカスタマイズされたレジリエンスアセスメントをサポートする、厳格でユーザフレンドリーなツールが不足している。
本研究の目的は,サイバーGISの力によるギャップを3つの目的で解決することである。
論文 参考訳（メタデータ） (2024-04-15T05:14:52Z) - On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。
アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
論文 参考訳（メタデータ） (2023-12-13T02:11:07Z) - Detecting Vulnerable Nodes in Urban Infrastructure Interdependent
Network [30.78792992230233]
我々は、相互依存型ネットワークを異種グラフとしてモデル化し、強化学習を用いたグラフニューラルネットワークに基づくシステムを提案する。
提案システムは,深層学習技術を活用して異種グラフを解析し,カスケード故障のリスクを把握し,都市の脆弱なインフラを発見する。
論文 参考訳（メタデータ） (2023-07-19T09:53:56Z) - How Spurious Features Are Memorized: Precise Analysis for Random and NTK Features [19.261178173399784]
学習課題とは無関係な突発的な特徴について考察する。
それらがどのように2つの異なる用語で記憶されるのかを正確に評価する。
一般化能力の増大に伴い,突発的特徴の記憶が弱まることを示す。
論文 参考訳（メタデータ） (2023-05-20T05:27:41Z) - A survey and taxonomy of loss functions in machine learning [51.35995529962554]
本稿では, 回帰, 分類, 生成モデル, ランキング, エネルギーベースモデリングなど, 主要なアプリケーションにまたがる最も広く使われている損失関数について概観する。
直感的な分類法で構築された43個の個別の損失関数を導入し,それらの理論的基礎,特性,最適な適用状況を明らかにした。
論文 参考訳（メタデータ） (2023-01-13T14:38:24Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Time-Continuous Energy-Conservation Neural Network for Structural
Dynamics Analysis [2.0952223808496164]
物理法則を尊重するエネルギー保存ニューラルネットワークの新しいファミリーが導入された。
提案モデルでは,システムエネルギーをニューラルネットワークの最終層として利用する。
ケーススタディとして,現実的な地震記録を用いて3層建物地震シミュレーションを行う。
論文 参考訳（メタデータ） (2020-12-16T01:00:56Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳（メタデータ） (2020-11-18T18:52:08Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z)
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。