論文の概要: Efficient Training of Learning-Based Thermal Power Flow for 4th Generation District Heating Grids

• arxiv url: http://arxiv.org/abs/2403.11877v1
• Date: Mon, 18 Mar 2024 15:31:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 19:50:22.607188
• Title: Efficient Training of Learning-Based Thermal Power Flow for 4th Generation District Heating Grids
• Title（参考訳）: 第4世代暖房グリッドにおける学習型熱流の効率的な訓練
• Authors: Andreas Bott, Mario Beykirch, Florian Steinke,
• Abstract要約: 本稿では,必要な供給と需要を網羅した,十分に大規模なトレーニングデータセットを生成するための,新しい,効率的な手法を提案する。 提案手法は,供給と需要の値をサンプリングする代わりに,ジェネレータおよびコンシューマのマスフロー上のプロキシ分布からトレーニング例を生成する。 従来の格子構造をシミュレーションすることで,新しい手法により2桁のトレーニングセット生成時間を短縮できることを示す。
• 参考スコア（独自算出の注目度）: 1.0923877073891446
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Thermal power flow (TPF) is an important task for various control purposes in 4 Th generation district heating grids with multiple decentral heat sources and meshed grid structures. Computing the TPF, i.e., determining the grid state consisting of temperatures, pressures, and mass flows for given supply and demand values, is classically done by solving the nonlinear heat grid equations, but can be sped up by orders of magnitude using learned models such as neural networks. We propose a novel, efficient scheme to generate a sufficiently large training data set covering relevant supply and demand values. Instead of sampling supply and demand values, our approach generates training examples from a proxy distribution over generator and consumer mass flows, omitting the iterations needed for solving the heat grid equations. The exact, but slightly different, training examples can be weighted to represent the original training distribution. We show with simulations for typical grid structures that the new approach can reduce training set generation times by two orders of magnitude compared to sampling supply and demand values directly, without loss of relevance for the training samples. Moreover, learning TPF with a training data set is shown to outperform sample-free, physics-aware training approaches significantly.
• Abstract（参考訳）: ヒートパワーフロー(TPF)は、複数の分散型熱源とメッシュグリッド構造を有する第4世代地域熱グリッドにおいて、様々な制御目的のために重要なタスクである。 TPFの計算、すなわち、所定の供給および需要値に対する温度、圧力、質量フローからなるグリッド状態を決定することは、非線形熱グリッド方程式を解くことによって古典的に行われるが、ニューラルネットワークのような学習モデルを用いて、桁違いに高速化することができる。 本稿では,必要な供給と需要を網羅した,十分に大規模なトレーニングデータセットを生成するための,新しい,効率的な手法を提案する。 提案手法は,供給と需要の値をサンプリングする代わりに,発電機および消費者のマスフロー上のプロキシ分布からトレーニング例を生成し,ヒートグリッド方程式の解法に必要なイテレーションを省略する。 正確には、わずかに異なるトレーニング例は、元のトレーニング分布を表すために重み付けすることができる。 提案手法は, トレーニングサンプルの信頼性を損なうことなく, サンプリングと需要値を直接比較して, トレーニングセット生成時間を2桁の規模で削減できることを示す。 さらに, トレーニングデータセットを用いたTPFの学習は, サンプルレス, 物理対応のトレーニングアプローチを著しく上回ることを示した。

関連論文リスト

• A Bayesian Flow Network Framework for Chemistry Tasks [0.0]
  ベイジアンフローネットワークに基づく化学タスクを処理する言語モデルであるChemBFNを紹介する。 サンプリング品質を改善するために,新しい精度スケジュールを提案する。 本手法は, 少ないサンプリングステップを用いても, 十分な多様性を持つ分子を生成するのに適していることを示す。
  論文  参考訳（メタデータ） (2024-07-28T04:46:32Z)
• To Cool or not to Cool? Temperature Network Meets Large Foundation Models via DRO [68.69840111477367]
  LFMを改善するために,小型だが一般化可能な温度予測ネットワーク(TempNet)を学習するための基本的枠組みを提案する。 LLMとCLIPモデルに関する我々の実験は、TempNetが既存のソリューションやモデルの性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-06T09:55:03Z)
• Addressing Heterogeneity in Federated Load Forecasting with Personalization Layers [3.933147844455233]
  PL-FLと呼ばれる一般的なフレームワークにおいて,負荷予測のためのパーソナライズレイヤを提案する。 PL-FLはFLよりも通信帯域幅が小さいため、FLと純粋に局所訓練に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-01T22:53:09Z)
• Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
  本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。 我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。 また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T05:38:17Z)
• Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
  ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。 モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。 ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-28T12:02:27Z)
• Deep Learning-enabled MCMC for Probabilistic State Estimation in District Heating Grids [0.0]
  地域熱グリッドは、将来の低炭素エネルギーシステムにおいて重要な部分である。 ネットワーク熱交換の空間においてマルコフ・チェイン・モンテカルロサンプリングを用いて後部を推定する。 ディープニューラルネットワークは、正確だが遅い非線形ソルバの解を近似するように訓練される。
  論文  参考訳（メタデータ） (2023-05-24T08:47:01Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Embedded training of neural-network sub-grid-scale turbulence models [0.0]
  ディープニューラルネットワークモデルの重みは、制御フロー方程式と共に最適化され、サブグリッドスケールの応力のモデルを提供する。 トレーニングは勾配降下法で行われ、随伴ナビエ-ストークス方程式を用いてモデル重みのエンドツーエンドの感度を速度場に与える。
  論文  参考訳（メタデータ） (2021-05-03T17:28:39Z)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。