論文の概要: Operational risk quantification of power grids using graph neural network surrogates of the DC OPF
- arxiv url: http://arxiv.org/abs/2311.03661v2
- Date: Sun, 21 Apr 2024 20:33:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 00:23:13.776212
- Title: Operational risk quantification of power grids using graph neural network surrogates of the DC OPF
- Title（参考訳）: 直流OPFのグラフニューラルネットワークを用いた電力グリッドの運転リスク定量化
- Authors: Yadong Zhang, Pranav M Karve, Sankaran Mahadevan,
- Abstract要約: 電力グリッド動作におけるモンテカルロ(MC)に基づくリスク定量化のための直流OPFサロゲートモデリングフレームワークを開発した。
GNNサロゲートは(バスレベル、ブランチレベル、システムレベル)グリッド状態を予測するのに十分正確である。
本稿では,GNNをベースとしたサロゲートを用いた実世界の電力網における高速信頼性とリスク定量化のためのツールを開発する。
- 参考スコア（独自算出の注目度）: 4.6289929100615
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A DC OPF surrogate modeling framework is developed for Monte Carlo (MC) sampling-based risk quantification in power grid operation. MC simulation necessitates solving a large number of DC OPF problems corresponding to the samples of stochastic grid variables (power demand and renewable generation), which is computationally prohibitive. Computationally inexpensive surrogates of OPF provide an attractive alternative for expedited MC simulation. Graph neural network (GNN) surrogates of DC OPF, which are especially suitable to graph-structured data, are employed in this work. Previously developed DC OPF surrogate models have focused on accurate operational decision-making and not on risk quantification. Here, risk quantification-specific aspects of DC OPF surrogate evaluation is the main focus. To this end, the proposed GNN surrogates are evaluated using realistic joint probability distributions, quantification of their risk estimation accuracy, and investigation of their generalizability. Four synthetic grids (Case118, Case300, Case1354pegase, and Case2848rte) are used for surrogate model performance evaluation. It is shown that the GNN surrogates are sufficiently accurate for predicting the (bus-level, branch-level and system-level) grid state and enable fast as well as accurate operational risk quantification for power grids. The article thus develops tools for fast reliability and risk quantification in real-world power grids using GNN-based surrogates.
- Abstract（参考訳）: 電力グリッド動作におけるモンテカルロ(MC)サンプリングに基づくリスク定量化のための直流OPFサロゲートモデリングフレームワークを開発した。
MCシミュレーションは、計算的に禁止されている確率格子変数(電力需要と再生可能生成)のサンプルに対応する多数のDC OPF問題を解決する必要がある。
計算的に安価なOPFのサロゲートは、高速MCシミュレーションの魅力的な代替手段となる。
特にグラフ構造化データに適した直流OPFのグラフニューラルネットワーク(GNN)サロゲートを用いる。
従来開発されたDC OPFサロゲートモデルは、リスク定量化ではなく、正確な運用上の意思決定に重点を置いていた。
ここでは、直流OPFサロゲート評価のリスク定量化特有の側面が主な焦点である。
この目的のために,提案したGNNサロゲートを,現実的な関節確率分布を用いて評価し,そのリスク推定精度の定量化と一般化可能性について検討した。
代理モデルの性能評価には4つの合成格子(Case118, Case300, Case1354pegase, Case2848rte)を用いる。
GNNサロゲートは(バスレベル、ブランチレベル、システムレベルの)グリッド状態を予測するのに十分正確であり、電力グリッドの高速かつ正確な運用リスク定量化を可能にする。
本稿では,GNNをベースとしたサロゲートを用いた実世界の電力グリッドの高速信頼性とリスク定量化のためのツールを開発する。
関連論文リスト
- SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - Graph neural networks for power grid operational risk assessment under evolving grid topology [4.6289929100615]
本稿では、その後の数時間で電力グリッド内の危険条件を識別するグラフニューラルネットワーク(GNN)の能力について検討する。
GNNは、電力供給と需要の異なる条件下で電力グリッドの集約されたバスレベルを予測するために、教師付き学習を使用して訓練される。
GNNに基づく信頼性とリスクアセスメントの優れた精度は、GNNモデルが状況認識を大幅に改善できることを示している。
論文 参考訳（メタデータ） (2024-05-12T17:40:27Z) - Enhancing Reliability of Neural Networks at the Edge: Inverted
Normalization with Stochastic Affine Transformations [0.22499166814992438]
インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。
実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
論文 参考訳（メタデータ） (2024-01-23T00:27:31Z) - QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power
Flow Solutions Under Constraints [4.1920378271058425]
本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。
提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
論文 参考訳（メタデータ） (2024-01-11T20:17:44Z) - Power grid operational risk assessment using graph neural network
surrogates [5.202524136984542]
電力グリッド運用決定アルゴリズムのプロキシとしてグラフニューラルネットワーク(GNN)の有用性について検討する。
GNNはQoIの高速かつ正確な予測を提供することができる。
GNNベースの信頼性とリスクアセスメントの優れた精度は、GNNサロゲートがリアルタイムおよび数時間前に適用できる可能性を示唆している。
論文 参考訳（メタデータ） (2023-11-21T03:02:30Z) - GP CC-OPF: Gaussian Process based optimization tool for
Chance-Constrained Optimal Power Flow [54.94701604030199]
Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。
CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
論文 参考訳（メタデータ） (2023-02-16T17:59:06Z) - Adaptive network reliability analysis: Methodology and applications to
power grid [0.0]
本研究では,ベイジアン付加回帰木(ANR-BART)を用いた適応代理型ネットワーク信頼性解析法を提案する。
その結果、ANR-BARTは堅牢であり、信頼性解析の計算コストを大幅に削減しつつ、ネットワーク障害確率の正確な推定値が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-11T19:58:08Z) - Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural
Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。
提案されたSIDNNは、幅広いOPFスキームと互換性がある。
他のLearning-to-OPFスキームとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-03-27T00:45:23Z) - 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) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。