論文の概要: Physics-informed Convolutional Neural Network for Microgrid Economic Dispatch

• arxiv url: http://arxiv.org/abs/2404.18362v2
• Date: Thu, 2 May 2024 03:22:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 11:27:18.139390
• Title: Physics-informed Convolutional Neural Network for Microgrid Economic Dispatch
• Title（参考訳）: マイクログリッド経済分散のための物理インフォームド畳み込みニューラルネットワーク
• Authors: Xiaoyu Ge, Javad Khazaei,
• Abstract要約: 本研究では,ディープラーニングに基づく畳み込みニューラルネットワーク(CNN)を用いて,数値最適化問題をリアルタイムに解くことを提案する。 CNNはより効率的で、より信頼性の高い結果を提供し、不確実性を扱う場合のレスポンス時間が短い。 ED問題の制約をCNNトレーニングに組み込んで、データに適合しながら物理法則に従うことを保証することにより、物理に着想を得たCNNモデルを開発した。
• 参考スコア（独自算出の注目度）: 1.5193212081459277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The variability of renewable energy generation and the unpredictability of electricity demand create a need for real-time economic dispatch (ED) of assets in microgrids. However, solving numerical optimization problems in real-time can be incredibly challenging. This study proposes using a convolutional neural network (CNN) based on deep learning to address these challenges. Compared to traditional methods, CNN is more efficient, delivers more dependable results, and has a shorter response time when dealing with uncertainties. While CNN has shown promising results, it does not extract explainable knowledge from the data. To address this limitation, a physics-inspired CNN model is developed by incorporating constraints of the ED problem into the CNN training to ensure that the model follows physical laws while fitting the data. The proposed method can significantly accelerate real-time economic dispatch of microgrids without compromising the accuracy of numerical optimization techniques. The effectiveness of the proposed data-driven approach for optimal allocation of microgrid resources in real-time is verified through a comprehensive comparison with conventional numerical optimization approaches.
• Abstract（参考訳）: 再生可能エネルギーの変動と電力需要の予測不可能さは、マイクログリッド内の資産のリアルタイム・エコノミック・ディスパッチ(ED)の必要性を生んでいる。 しかし,数値最適化問題をリアルタイムに解くことは極めて困難である。 本研究では,これらの課題に対処するために,ディープラーニングに基づく畳み込みニューラルネットワーク(CNN)を提案する。 従来の手法と比較して、CNNはより効率的で、信頼性が高く、不確実性を扱う場合の応答時間が短い。 CNNは有望な結果を示しているが、データから説明可能な知識を抽出していない。 この制限に対処するため、ED問題の制約をCNNトレーニングに組み込むことで、物理に着想を得たCNNモデルを開発した。 提案手法は,数値最適化手法の精度を損なうことなく,マイクログリッドのリアルタイム経済展開を著しく加速させることができる。 従来の数値最適化手法と比較して,マイクログリッド資源をリアルタイムに最適に割り当てるためのデータ駆動手法の有効性を検証した。

関連論文リスト

• SAfEPaTh: A System-Level Approach for Efficient Power and Thermal Estimation of Convolutional Neural Network Accelerator [4.1221717424687165]
  本稿では,タイル型CNN加速器の電力と温度を正確に推定するシステムレベルのアプローチであるSAfEPaThを紹介する。 定常シナリオと過渡状態シナリオの両方に対処することにより、SAfEPaThは、層間パイプラインにおけるパイプラインバブルの動的効果を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-07-24T20:29:52Z)
• Bayesian Entropy Neural Networks for Physics-Aware Prediction [14.705526856205454]
  本稿では,ベイズニューラルネットワーク(BNN)の予測に制約を加えるためのフレームワークであるBENNを紹介する。 ベンは予測値だけでなく、その微分や分散を制約し、より堅牢で信頼性の高いモデル出力を保証できる。 その結果、従来のBNNよりも大幅に改善され、現代の制約されたディープラーニング手法と比較して競争性能が向上した。
  論文  参考訳（メタデータ） (2024-07-01T07:00:44Z)
• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• Semantic Communication Enabling Robust Edge Intelligence for Time-Critical IoT Applications [87.05763097471487]
  本稿では、時間クリティカルなIoTアプリケーションのためのセマンティック通信を用いて、堅牢なエッジインテリジェンスを設計することを目的とする。 本稿では,画像DCT係数が推定精度に与える影響を解析し,オフロードのためのチャネル非依存の有効性符号化を提案する。
  論文  参考訳（メタデータ） (2022-11-24T20:13:17Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• An Improved Structured Mesh Generation Method Based on Physics-informed Neural Networks [13.196871939441273]
  数値アルゴリズムがより効率的になり、コンピュータがより強力になるにつれて、メッシュ生成に費やされる時間の割合が高くなる。 本稿では,改良された構造化メッシュ生成手法を提案する。 この方法は、物理インフォームドニューラルネットワークに関連する大域的最適化問題としてメッシュ問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-18T02:45:14Z)
• Learning from Images: Proactive Caching with Parallel Convolutional Neural Networks [94.85780721466816]
  本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。 モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。 数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Mitigating severe over-parameterization in deep convolutional neural networks through forced feature abstraction and compression with an entropy-based heuristic [7.503338065129185]
  本稿では,エントロピーに基づく畳み込み層推定(EBCLE)を提案する。 EBCLEを用いて訓練したより広いが浅いモデルの相対的有効性を強調する実証的証拠を提示する。
  論文  参考訳（メタデータ） (2021-06-27T10:34:39Z)

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。