論文の概要: Uncertainty Distribution Assessment of Jiles-Atherton Parameter Estimation for Inrush Current Studies
- arxiv url: http://arxiv.org/abs/2405.11011v1
- Date: Fri, 17 May 2024 15:20:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 19:46:29.538132
- Title: Uncertainty Distribution Assessment of Jiles-Atherton Parameter Estimation for Inrush Current Studies
- Title（参考訳）: 印加電流解析のためのジル-アザトンパラメータ推定の不確かさ分布評価
- Authors: Jone Ugarte-Valdivielso, Jose I. Aizpurua, Manex Barrenetxea-Iñarra,
- Abstract要約: トランスフォーマーコアは通常、5つのパラメータを含むJiles-Atherton(JA)モデルでモデル化される。
変圧器は交流配電網と再生可能電力統合において重要な資産の1つである。
インルーシュ電流は、グリッドへの接続中に変圧器の磁心飽和の結果である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transformers are one of the key assets in AC distribution grids and renewable power integration. During transformer energization inrush currents appear, which lead to transformer degradation and can cause grid instability events. These inrush currents are a consequence of the transformer's magnetic core saturation during its connection to the grid. Transformer cores are normally modelled by the Jiles-Atherton (JA) model which contains five parameters. These parameters can be estimated by metaheuristic-based search algorithms. The parameter initialization of these algorithms plays an important role in the algorithm convergence. The most popular strategy used for JA parameter initialization is a random uniform distribution. However, techniques such as parameter initialization by Probability Density Functions (PDFs) have shown to improve accuracy over random methods. In this context, this research work presents a framework to assess the impact of different parameter initialization strategies on the performance of the JA parameter estimation for inrush current studies. Depending on available data and expert knowledge, uncertainty levels are modelled with different PDFs. Moreover, three different metaheuristic-search algorithms are employed on two different core materials and their accuracy and computational time are compared. Results show an improvement in the accuracy and computational time of the metaheuristic-based algorithms when PDF parameter initialization is used.
- Abstract（参考訳）: 変圧器は交流配電網と再生可能電力統合において重要な資産の1つである。
変圧器のエネルギ化インラッシャ電流が現れると、変圧器の劣化が起こり、格子不安定現象を引き起こす。
これらのインラッシャ電流は、グリッドへの接続中の変圧器の磁気コア飽和の結果である。
トランスフォーマーコアは通常、5つのパラメータを含むJiles-Atherton(JA)モデルでモデル化される。
これらのパラメータはメタヒューリスティックな探索アルゴリズムによって推定できる。
これらのアルゴリズムのパラメータ初期化は、アルゴリズム収束において重要な役割を果たす。
JAパラメータの初期化に使用される最も一般的な戦略は、ランダムな均一分布である。
しかし、確率密度関数(PDF)によるパラメータ初期化(パラメータ初期化)のような手法により、ランダムな手法よりも精度が向上することが示されている。
本研究は,JAパラメータ推定の性能に及ぼすパラメータ初期化戦略の影響を評価するための枠組みを提案する。
利用可能なデータや専門家の知識によって、不確実性レベルは異なるPDFでモデル化される。
さらに、2つの異なるコア材料に3つの異なるメタヒューリスティック探索アルゴリズムを適用し、その精度と計算時間を比較する。
その結果,PDFパラメータ初期化を用いたメタヒューリスティックアルゴリズムの精度と計算時間が改善された。
関連論文リスト
- Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。
我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。
適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
論文 参考訳（メタデータ） (2024-06-24T23:00:58Z) - Few-Shot Class Incremental Learning via Robust Transformer Approach [16.590193619691416]
Few-Shot Class-Incremental Learningは,データ不足の問題にモデルが直面しているクラス増分学習問題の拡張を提示する。
この問題は、最近のすべての研究が、準最適に実行される畳み込みニューラルネットワークの上に構築されているため、未解決の問題のままである。
本稿では,コンパクト畳み込み変換器を用いたロバスト変換器を提案する。
論文 参考訳（メタデータ） (2024-05-08T03:35:52Z) - PI-VEGAN: Physics Informed Variational Embedding Generative Adversarial
Networks for Stochastic Differential Equations [14.044012646069552]
本稿では,新しい物理インフォームドニューラルネットワーク(PI-VEGAN)について紹介する。
PI-VEGANは微分方程式の前方、逆、混合問題に効果的に取り組む。
我々は,システムパラメータと解の同時計算を必要とする,前方・逆・混合問題に対するPI-VEGANの有効性を評価する。
論文 参考訳（メタデータ） (2023-07-21T01:18:02Z) - A Framework for Fast and Stable Representations of Multiparameter
Persistent Homology Decompositions [2.76240219662896]
本稿では,複数パラメータの持続的ホモロジーのエム分解における最近の結果を活用する,新しい汎用表現フレームワークを提案する。
我々は,この枠組みの下で理論安定性の保証と,実用的な計算のための効率的なアルゴリズムを確立する。
いくつかの実データに対して,統計的収束,予測精度,高速実行時間を示す数値実験により,安定性とアルゴリズムの検証を行った。
論文 参考訳（メタデータ） (2023-06-19T21:28:53Z) - On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。
これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。
我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
論文 参考訳（メタデータ） (2022-11-28T17:41:48Z) - Numerical Optimizations for Weighted Low-rank Estimation on Language
Model [73.12941276331316]
Singular value decomposition (SVD) は、より小さい行列でターゲット行列を近似する最も一般的な圧縮手法の1つである。
標準SVDは行列内のパラメータを同じ重要性で扱うが、これは単純だが非現実的な仮定である。
本手法は,ニューラルベース言語モデルにおいて,現在のSOTA法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-02T00:58:02Z) - Towards Learning Universal Hyperparameter Optimizers with Transformers [57.35920571605559]
我々は,テキストベースのトランスフォーマーHPOフレームワークであるOptFormerを紹介した。
実験の結果,OptFormerは少なくとも7種類のHPOアルゴリズムを模倣できることがわかった。
論文 参考訳（メタデータ） (2022-05-26T12:51:32Z) - E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。
私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。
統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
論文 参考訳（メタデータ） (2022-03-07T17:25:02Z) - PowerGraph: Using neural networks and principal components to
multivariate statistical power trade-offs [0.0]
複数のモデルパラメータを持つ計画研究に対する事前統計パワー推定は本質的に多変量問題である。
このような場合の明示的な解は非現実的であるか、解決できないかのいずれかであり、研究者はパワーをシミュレートする一般的な方法を残している。
本稿では,様々なモデルパラメータの組み合わせに関する研究において,統計的パワーの効率的な推定とグラフ化について検討する。
論文 参考訳（メタデータ） (2021-12-29T19:06:29Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - Online Robust and Adaptive Learning from Data Streams [22.319483572757097]
オンライン学習では、アウトレーヤにしっかりと学習し、基盤となるデータ生成メカニズムの変化に迅速に適応する必要がある。
本稿では,従来のオンライン学習アルゴリズムの属性をロバスト性,後者を適応性と呼ぶ。
本稿では,このトレードオフを評価するために,近似に基づくロバスト性適応アルゴリズム(SRA)を提案する。
論文 参考訳（メタデータ） (2020-07-23T17:49:04Z)
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。