Fugu-MT 論文翻訳(概要): Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency

論文の概要: Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency

arxiv url: http://arxiv.org/abs/2405.05521v1
Date: Thu, 9 May 2024 03:19:20 GMT
ステータス: 処理完了
システム内更新日: 2024-05-10 14:12:43.948000
Title: Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency
Title（参考訳）: 電力系統の整合性を考慮したスケーラブルかつ最適負荷層のための機械学習
Authors: Yuqi Zhou, Hao Zhu,
Abstract要約: ネットワーク制限を考慮に入れた最適なロードシェディング(OLS)は、同時実行シナリオの多様なシステム全体への影響に対処する可能性がある。本稿では、ニューラルネットワーク(NN)モデルのオフライントレーニングを活用して、個別の負荷センターに分散した設計を行い、OLSソリューションを自律的に構築する。我々のLearning-for-OLSアプローチは、オンライン緊急応答における計算と通信の必要性を大幅に削減できる。
参考スコア（独自算出の注目度）: 6.201026565902282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Prompt and effective corrective actions in response to unexpected contingencies are crucial for improving power system resilience and preventing cascading blackouts. The optimal load shedding (OLS) accounting for network limits has the potential to address the diverse system-wide impacts of contingency scenarios as compared to traditional local schemes. However, due to the fast cascading propagation of initial contingencies, real-time OLS solutions are challenging to attain in large systems with high computation and communication needs. In this paper, we propose a decentralized design that leverages offline training of a neural network (NN) model for individual load centers to autonomously construct the OLS solutions from locally available measurements. Our learning-for-OLS approach can greatly reduce the computation and communication needs during online emergency responses, thus preventing the cascading propagation of contingencies for enhanced power grid resilience. Numerical studies on both the IEEE 118-bus system and a synthetic Texas 2000-bus system have demonstrated the efficiency and effectiveness of our scalable OLS learning design for timely power system emergency operations.
Abstract（参考訳）: 予期せぬ事態に対する迅速な効果的な是正行動は、電力系統のレジリエンスを改善し、カスケードブラックアウトを防ぐために重要である。ネットワーク制限に対する最適負荷シェディング(OLS)は、従来のローカルスキームと比較して、並行性シナリオの多様なシステム全体への影響に対処する可能性がある。しかし,初期イベントの高速カスケード伝播により,リアルタイムOLSソリューションは,高い計算能力と通信能力を備えた大規模システムの実現が困難である。本稿では,各負荷センターを対象としたニューラルネットワーク(NN)モデルのオフライントレーニングを活用して,ローカルで利用可能な測定値からLSソリューションを自律的に構築する分散設計を提案する。我々のLearning-for-OLSアプローチは、オンライン緊急応答における計算と通信の必要性を大幅に低減し、電力グリッドのレジリエンス向上のためのコンシデントのカスケード伝播を防止できる。 IEEE 118-busシステムとテキサス2000-busシステムの両方に関する数値的研究により,時間的電力系統緊急操作のためのスケーラブルなOLS学習設計の有効性と有効性を示した。

関連論文リスト

DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-06-11T06:31:03Z)
Self-Supervised Learning for Large-Scale Preventive Security Constrained DC Optimal Power Flow [20.078717680640214]
SCOPF(Security-Constrained Optimal Power Flow)は、電力グリッドの安定性において重要な役割を果たすが、システムが成長するにつれてますます複雑になる。本稿では,大規模SCOPF問題に対する準最適解を生成するための,自己教師付きエンドツーエンドのPDL-SCOPFについて紹介する。
論文参考訳（メタデータ） (2023-11-29T20:36:35Z)
DClEVerNet: Deep Combinatorial Learning for Efficient EV Charging Scheduling in Large-scale Networked Facilities [5.78463306498655]
電気自動車(EV)は配電ネットワークを著しくストレスし、性能を劣化させ、安定性を損なう可能性がある。現代の電力網は、EV充電スケジューリングをスケーラブルで効率的な方法で最適化できる、コーディネートまたはスマートな充電戦略を必要とする。ネットワークの利用可能な電力容量とステーションの占有限度を考慮しつつ、EV利用者の総福祉利益を最大化する時間結合二元最適化問題を定式化する。
論文参考訳（メタデータ） (2023-05-18T14:03:47Z)
Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
論文参考訳（メタデータ） (2023-05-08T05:40:54Z)
Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文参考訳（メタデータ） (2022-09-02T10:29:56Z)
Evaluating the Planning and Operational Resilience of Electrical Distribution Systems with Distributed Energy Resources using Complex Network Theory [0.0]
本稿では,極端事象下での配電系統の計画と運用のレジリエンスを評価する手法を提案する。提案するフレームワークは,複雑なネットワーク理論を効果的に活用して開発されている。
論文参考訳（メタデータ） (2022-08-24T13:41:37Z)
Scalable Learning for Optimal Load Shedding Under Power Grid Emergency Operations [4.922268203017287]
この研究は、様々な潜在的な緊急シナリオの下で、負荷シェディングの最適決定ルールを構築することによって、革新的なLearning-for-OLSアプローチを提示する。提案したNNベースのOLS決定は完全に分散化されており、個々の負荷センターが特定の状況に迅速に対応できる。 IEEE 14-busシステムに関する数値解析研究により,重度グリッド緊急イベントに対するリアルタイム応答に対する拡張性OLS設計の有効性が実証された。
論文参考訳（メタデータ） (2021-11-23T16:14:58Z)
Federated Learning over Wireless IoT Networks with Optimized Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。無線システム上での高速応答および高精度FLスキームの検証が重要である。提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文参考訳（メタデータ） (2021-10-22T13:25:57Z)
Physics-Informed Neural Networks for Minimising Worst-Case Violations in DC Optimal Power Flow [0.0]
物理インフォームドニューラルネットワークは、基礎となる物理システムの既存のモデルを利用して、少ないデータで高精度な結果を生成する。このようなアプローチは、計算時間を劇的に削減し、電力システムにおける計算集約的なプロセスの優れた見積を生成するのに役立つ。このようなニューラルネットワークは、電力系統における安全クリティカルな応用に適用でき、電力系統運用者の間で高い信頼関係を構築することができる。
論文参考訳（メタデータ） (2021-06-28T10:45:22Z)
Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
論文参考訳（メタデータ） (2020-07-07T01:49:07Z)
High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
論文参考訳（メタデータ） (2020-06-29T20:22:16Z)

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。