論文の概要: An Explainable Framework for Machine learning-Based Reactive Power Optimization of Distribution Network

• arxiv url: http://arxiv.org/abs/2311.03863v1
• Date: Tue, 7 Nov 2023 10:24:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 15:59:36.998013
• Title: An Explainable Framework for Machine learning-Based Reactive Power Optimization of Distribution Network
• Title（参考訳）: 機械学習に基づく分散ネットワークのリアクティブ電力最適化のための説明可能なフレームワーク
• Authors: Wenlong Liao, Benjamin Sch\"afer, Dalin Qin, Gonghao Zhang, Zhixian Wang, Zhe Yang
• Abstract要約: 分散ネットワークにおけるリアクティブパワーを最適化するために、説明可能な機械学習フレームワークを提案する。 反応電力最適化の解に対する各入力特徴の寄与を測定するために、Shapley付加的説明フレームワークが提示される。 重い計算負担を回避するため,Shapley値を推定するためにモデル非依存近似法を開発した。
• 参考スコア（独自算出の注目度）: 3.239871645288635
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: To reduce the heavy computational burden of reactive power optimization of distribution networks, machine learning models are receiving increasing attention. However, most machine learning models (e.g., neural networks) are usually considered as black boxes, making it challenging for power system operators to identify and comprehend potential biases or errors in the decision-making process of machine learning models. To address this issue, an explainable machine-learning framework is proposed to optimize the reactive power in distribution networks. Firstly, a Shapley additive explanation framework is presented to measure the contribution of each input feature to the solution of reactive power optimizations generated from machine learning models. Secondly, a model-agnostic approximation method is developed to estimate Shapley values, so as to avoid the heavy computational burden associated with direct calculations of Shapley values. The simulation results show that the proposed explainable framework can accurately explain the solution of the machine learning model-based reactive power optimization by using visual analytics, from both global and instance perspectives. Moreover, the proposed explainable framework is model-agnostic, and thus applicable to various models (e.g., neural networks).
• Abstract（参考訳）: 分散ネットワークのリアクティブ電力最適化の計算負荷を低減するため,機械学習モデルに注目が集まっている。 しかし、ほとんどの機械学習モデル(ニューラルネットワークなど)は一般にブラックボックスとみなされており、機械学習モデルの意思決定プロセスにおいて潜在的なバイアスやエラーを識別し理解することが困難である。 この問題に対処するために,分散ネットワークのリアクティブパワーを最適化するために,説明可能な機械学習フレームワークが提案されている。 まず、機械学習モデルから生成されたリアクティブ電力最適化の解に対する各入力特徴の寄与度を測定するために、shapleyの加法説明フレームワークを提案する。 次に、Shapley値の直接計算に伴う計算負担を回避するために、Shapley値を推定するモデル非依存近似法を開発した。 シミュレーションの結果,提案フレームワークは,グローバルおよびインスタンスの観点から視覚分析を用いて,機械学習モデルに基づくリアクティブパワー最適化のソリューションを正確に説明できることがわかった。 さらに、提案する説明可能なフレームワークはモデルに依存しないため、様々なモデル(ニューラルネットワークなど)に適用できる。

関連論文リスト

• Mapping back and forth between model predictive control and neural networks [0.0]
  2次コストと線形制約を持つ線形系に対するモデル予測制御(MPC)は、暗黙のニューラルネットワークとして正確に表現されていることを示す。 また、MPCの暗黙のニューラルネットワークを明示的なニューラルネットワークに"解き放つ"方法も導入されている。
  論文  参考訳（メタデータ） (2024-04-18T09:29:08Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
  事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。 本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。 我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
  論文  参考訳（メタデータ） (2022-12-21T08:45:32Z)
• Quadratic mutual information regularization in real-time deep CNN models [51.66271681532262]
  擬似相互情報による正規化手法を提案する。 種々の二項分類問題の実験を行い,提案モデルの有効性を示した。
  論文  参考訳（メタデータ） (2021-08-26T13:14:24Z)
• Structured Hammerstein-Wiener Model Learning for Model Predictive Control [0.2752817022620644]
  本稿では,機械学習によって構築されたモデルを用いて最適制御の信頼性を向上させることを目的とする。 本稿では,Hammerstein-Wienerモデルと凸ニューラルネットワークを組み合わせたモデルを提案する。
  論文  参考訳（メタデータ） (2021-07-09T06:41:34Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations [13.680949377743392]
  本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。 本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。 学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
  論文  参考訳（メタデータ） (2020-07-13T17:58:21Z)
• On Training and Evaluation of Neural Network Approaches for Model Predictive Control [9.8918553325509]
  本稿では,制約ニューラルネットワークを用いて実装されたモデル予測制御(MPC)のトレーニングと評価を行うフレームワークである。 モチベーションは、安全クリティカルフィードバック制御システムのリアルタイム最適化を、ニューラルネットワークと最適化層という形で学習されたマッピングに置き換えることである。
  論文  参考訳（メタデータ） (2020-05-08T15:37:55Z)
• Learning Queuing Networks by Recurrent Neural Networks [0.0]
  データから性能モデルを導出する機械学習手法を提案する。 我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。 これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
  論文  参考訳（メタデータ） (2020-02-25T10:56:47Z)
• Information Theoretic Model Predictive Q-Learning [64.74041985237105]
  本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。 バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2019-12-31T00:29:22Z)

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。