論文の概要: Online Planning of Power Flows for Power Systems Against Bushfires Using Spatial Context
- arxiv url: http://arxiv.org/abs/2404.13391v1
- Date: Sat, 20 Apr 2024 14:21:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 19:10:11.641792
- Title: Online Planning of Power Flows for Power Systems Against Bushfires Using Spatial Context
- Title（参考訳）: 空間的文脈を用いた防火設備用電力流のオンライン計画
- Authors: Jianyu Xu, Qiuzhuang Sun, Yang Yang, Huadong Mo, Daoyi Dong,
- Abstract要約: 2019-20 オーストラリアのブッシュファイアは、多くの経済的損失をもたらし、電力システムの運用に大きな影響を及ぼした。
停電により発電所や送電線が著しく影響を受け、運用コストが増大する。
本研究では,停電を受ける電力系統の最適潮流(OPF)を計画する上で,基本的かつ困難な課題について検討する。
- 参考スコア（独自算出の注目度）: 9.651976473741843
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The 2019-20 Australia bushfire incurred numerous economic losses and significantly affected the operations of power systems. A power station or transmission line can be significantly affected due to bushfires, leading to an increase in operational costs. We study a fundamental but challenging problem of planning the optimal power flow (OPF) for power systems subject to bushfires. Considering the stochastic nature of bushfire spread, we develop a model to capture such dynamics based on Moore's neighborhood model. Under a periodic inspection scheme that reveals the in-situ bushfire status, we propose an online optimization modeling framework that sequentially plans the power flows in the electricity network. Our framework assumes that the spread of bushfires is non-stationary over time, and the spread and containment probabilities are unknown. To meet these challenges, we develop a contextual online learning algorithm that treats the in-situ geographical information of the bushfire as a 'spatial context'. The online learning algorithm learns the unknown probabilities sequentially based on the observed data and then makes the OPF decision accordingly. The sequential OPF decisions aim to minimize the regret function, which is defined as the cumulative loss against the clairvoyant strategy that knows the true model parameters. We provide a theoretical guarantee of our algorithm by deriving a bound on the regret function, which outperforms the regret bound achieved by other benchmark algorithms. Our model assumptions are verified by the real bushfire data from NSW, Australia, and we apply our model to two power systems to illustrate its applicability.
- Abstract（参考訳）: 2019-20 オーストラリアのブッシュファイアは、多くの経済的損失をもたらし、電力システムの運用に大きな影響を及ぼした。
停電により発電所や送電線が著しく影響を受け、運用コストが増大する。
本研究では,停電を受ける電力系統の最適潮流(OPF)を計画する上で,基本的かつ困難な課題について検討する。
森林火災の確率的性質を考慮し,ムーアの周辺モデルに基づいて,その動態を捉えるモデルを構築した。
そこで本稿では, 停電状況を明らかにする定期的な検査手法として, 電力ネットワーク内の電力の流れを逐次計画するオンライン最適化モデルフレームワークを提案する。
本枠組みは, 森林火災の拡散は時間とともに非定常的であり, 拡散・封入確率が不明であると仮定する。
これらの課題に対処するため,ブッシュファイアの地理的情報を「空間的文脈」として扱うコンテキスト学習アルゴリズムを開発した。
オンライン学習アルゴリズムは、観測データに基づいて、未知の確率を逐次学習し、それに応じてOPF決定を行う。
逐次OPF決定は、真のモデルパラメータを知っている透視戦略に対する累積損失として定義される後悔関数を最小化することを目的としている。
我々は、他のベンチマークアルゴリズムが達成した後悔境界よりも優れた後悔関数のバウンドを導出することにより、アルゴリズムの理論的保証を提供する。
オーストラリアのNSWから得られた実際のブッシュファイアデータからモデル仮定を検証し,その適用性を示すために2つのパワーシステムに適用する。
関連論文リスト
- Bushfire Severity Modelling and Future Trend Prediction Across Australia: Integrating Remote Sensing and Machine Learning [0.43012765978447565]
本研究は,過去12年間のオーストラリアにおける森林火災の深刻度を詳細に分析した。
ランドサット画像を活用し,NDVI,NBR,バーン指数などのスペクトル指標と地形的・気候的要因を併用することにより,ロバストな予測モデルを構築した。
このモデルは86.13%の精度を達成し、様々なオーストラリアの生態系で火災の深刻度を予測する効果を示した。
論文 参考訳（メタデータ） (2024-09-18T04:57:48Z) - Explainable AI Integrated Feature Engineering for Wildfire Prediction [1.7934287771173114]
本研究では,山火事の予測に関係した分類・回帰作業について,各種機械学習アルゴリズムの徹底的な評価を行った。
様々な種類の山火事を分類するために、XGBoostモデルは正確さと堅牢性で他よりも優れていた。
ランダムフォレスト回帰モデルでは、山火事の影響範囲を予測する上で、優れた結果が得られた。
論文 参考訳（メタデータ） (2024-04-01T21:12:44Z) - Comparison of metaheuristics for the firebreak placement problem: a
simulation-based optimization approach [0.0]
火災発生の問題は防火に不可欠である。
したがって、発火から絶滅まで予測不可能な火災の性質を考える必要がある。
シミュレーションに基づく最適化の観点から,この問題に対する解法を提案する。
論文 参考訳（メタデータ） (2023-11-29T06:45:07Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳（メタデータ） (2022-10-17T17:30:09Z) - Movement Penalized Bayesian Optimization with Application to Wind Energy
Systems [84.7485307269572]
文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。
この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。
標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
論文 参考訳（メタデータ） (2022-10-14T20:19:32Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - Predicting Electricity Infrastructure Induced Wildfire Risk in
California [6.08936845491444]
本研究では,電気インフラによる山火事の発生時期と発生場所を予測するためのリスクモデルについて検討する。
データは、2015年から2019年にかけてパシフィック・ガス・アンド・エレクトリック・エリアで収集されたグリッドインフラによって引き起こされた歴史的点火とワイヤダウンポイントを含んでいる。
気象や植生の特徴が,着火やワイヤダウンのリスクにおいて,最も重要な特徴の1つとなっていることが判明した。
論文 参考訳（メタデータ） (2022-06-06T22:16:47Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2020-11-10T19:31:29Z) - Uncertainty Aware Wildfire Management [6.997483623023005]
アメリカ合衆国では近年の山火事で生命が失われ、数十億ドルが失われた。
大規模に展開するリソースは限られており、火災の広がりを予測することは困難である。
本稿では,山火事対策のための意思決定論的アプローチを提案する。
論文 参考訳（メタデータ） (2020-10-15T17:47:31Z)
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。