論文の概要: PINNs-Based Uncertainty Quantification for Transient Stability Analysis
- arxiv url: http://arxiv.org/abs/2311.12947v1
- Date: Tue, 21 Nov 2023 19:21:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 17:08:17.778356
- Title: PINNs-Based Uncertainty Quantification for Transient Stability Analysis
- Title（参考訳）: pinnsに基づく過渡安定解析の不確実性定量化
- Authors: Ren Wang, Ming Zhong, Kaidi Xu, Lola Gir\'aldez S\'anchez-Cort\'es,
Ignacio de Cominges Guerra
- Abstract要約: 本稿では,物理インフォームドニューラルネットワーク(PINN)の新たな応用,特に臨界パラメータを推定するためのPINNのアンサンブル(E-PINN)について紹介する。
E-PINNは、揺動方程式の基礎となる物理原理を利用して、堅牢な解を提供する。
この研究は、電力系統の安定性における機械学習の適用を前進させ、信頼性と計算効率のよい過渡安定解析への道を開いた。
- 参考スコア（独自算出の注目度）: 22.116325319900973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the challenge of transient stability in power systems
with missing parameters and uncertainty propagation in swing equations. We
introduce a novel application of Physics-Informed Neural Networks (PINNs),
specifically an Ensemble of PINNs (E-PINNs), to estimate critical parameters
like rotor angle and inertia coefficient with enhanced accuracy and reduced
computational load. E-PINNs capitalize on the underlying physical principles of
swing equations to provide a robust solution. Our approach not only facilitates
efficient parameter estimation but also quantifies uncertainties, delivering
probabilistic insights into the system behavior. The efficacy of E-PINNs is
demonstrated through the analysis of $1$-bus and $2$-bus systems, highlighting
the model's ability to handle parameter variability and data scarcity. The
study advances the application of machine learning in power system stability,
paving the way for reliable and computationally efficient transient stability
analysis.
- Abstract（参考訳）: 本稿では,揺動方程式におけるパラメータの欠如と不確実性伝播を伴う電力系統における過渡安定性の課題に対処する。
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)の新たな応用,特にPINNのアンサンブル(E-PINN)を導入し,ロータ角や慣性係数などの臨界パラメータを精度の向上と計算負荷の低減により推定する。
E-PINNは揺動方程式の基礎となる物理原理を利用して堅牢な解を提供する。
提案手法は,効率的なパラメータ推定を容易にするだけでなく,不確実性を定量化し,システムの挙動を確率論的に把握する。
E-PINNの有効性は、1ドルのバスと2ドルのバスシステムの分析を通じて実証され、モデルのパラメータの可変性とデータの不足を扱う能力を強調している。
本研究では,機械学習を電力系統の安定性に応用し,信頼性と計算効率の優れた過渡安定性解析への道を開く。
関連論文リスト
- Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。
動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
論文 参考訳（メタデータ） (2024-10-07T02:57:26Z) - Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。
PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。
その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
論文 参考訳（メタデータ） (2024-10-02T08:58:30Z) - Harnessing physics-informed operators for high-dimensional reliability analysis problems [0.8192907805418583]
信頼性分析(Reliability analysis)は、特に多数のパラメータを持つシステムにおいて、非常に難しいタスクである。
信頼性を定量化するための従来の手法は、しばしば広範なシミュレーションや実験データに依存している。
物理インフォームド演算子は,高次元信頼性解析問題を妥当な精度でシームレスに解くことができることを示す。
論文 参考訳（メタデータ） (2024-09-07T04:52:03Z) - Stability Analysis of Physics-Informed Neural Networks for Stiff Linear Differential Equations [0.0]
物理インフォームドニューラルネットワーク(PINN)の安定性解析について述べる。
線形微分方程式の数値解として線形ODEと線形放物型PDEの系を考える。
提案したPINNは,様々なステップサイズにおいて,数値近似精度と計算コストの両方において,従来の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-27T20:33:16Z) - Meta-Learning-Based Adaptive Stability Certificates for Dynamical
Systems [8.160874508752801]
ニューラルリアプノフ関数(NLF)のような最先端の手法では、非線形力学系の安定性を評価するためにNNベースの定式化を用いる。
パラメトリックシフトに適応し、新しいテスト時間パラメータ値を持つシステムのNLFに更新するメタNLFを提案する。
準NLFの安定性評価性能を,標準の自律力学系上で実証する。
論文 参考訳（メタデータ） (2023-12-23T20:33:44Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳（メタデータ） (2022-05-27T03:24:31Z) - On Parametric Optimal Execution and Machine Learning Surrogates [3.077531983369872]
本研究では,短時間の価格変動とレジリエンスを考慮した離散時間における最適順序実行問題について検討する。
動的プログラミングとディープラーニングに基づく数値アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-04-18T22:40:14Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Accurate and Reliable Forecasting using Stochastic Differential
Equations [48.21369419647511]
ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。
本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。
本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
論文 参考訳（メタデータ） (2021-03-28T04:18:11Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z)
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。