論文の概要: Adaptive Informed Deep Neural Networks for Power Flow Analysis

• arxiv url: http://arxiv.org/abs/2412.02659v1
• Date: Tue, 03 Dec 2024 18:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:50.826476
• Title: Adaptive Informed Deep Neural Networks for Power Flow Analysis
• Title（参考訳）: 電力流解析のための適応型インフォームドディープニューラルネットワーク
• Authors: Zeynab Kaseb, Stavros Orfanoudakis, Pedro P. Vergara, Peter Palensky,
• Abstract要約: 本研究では,PF解析のためのエンドツーエンドディープラーニングアーキテクチャであるPINN4PFを紹介する。 その結果、PINN4PFは全てのテストシステムで両方のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study introduces PINN4PF, an end-to-end deep learning architecture for power flow (PF) analysis that effectively captures the nonlinear dynamics of large-scale modern power systems. The proposed neural network (NN) architecture consists of two important advancements in the training pipeline: (A) a double-head feed-forward NN that aligns with PF analysis, including an activation function that adjusts to active and reactive power consumption patterns, and (B) a physics-based loss function that partially incorporates power system topology information. The effectiveness of the proposed architecture is illustrated through 4-bus, 15-bus, 290-bus, and 2224-bus test systems and is evaluated against two baselines: a linear regression model (LR) and a black-box NN (MLP). The comparison is based on (i) generalization ability, (ii) robustness, (iii) impact of training dataset size on generalization ability, (iv) accuracy in approximating derived PF quantities (specifically line current, line active power, and line reactive power), and (v) scalability. Results demonstrate that PINN4PF outperforms both baselines across all test systems by up to two orders of magnitude not only in terms of direct criteria, e.g., generalization ability but also in terms of approximating derived physical quantities.
• Abstract（参考訳）: 本研究では,大規模電力系統の非線形ダイナミクスを効果的に捉えるために,PF解析のためのエンドツーエンドディープラーニングアーキテクチャであるPINN4PFを紹介する。 提案したニューラルネットワーク(NN)アーキテクチャは、トレーニングパイプラインにおける2つの重要な進歩で構成されている: (A) PF分析に適合するダブルヘッドフィードフォワードNN、(B) アクティブでリアクティブな電力消費パターンに適応するアクティベーション関数、(B) パワーシステムトポロジー情報を部分的に組み込んだ物理ベースの損失関数。 提案手法の有効性は, 4-bus, 15-bus, 290-bus, 2224-bus テストシステムで示され, 線形回帰モデル (LR) とブラックボックスNN (MLP) の2つのベースラインに対して評価される。 比較はそれに基づいています (i)一般化能力 (二)頑丈さ 三 訓練データセットのサイズが一般化能力に及ぼす影響 四 導出PF量(特に線電流、線活力、線反応性力)の近似精度及び (v)スケーラビリティ。 その結果, PINN4PFは, 直接基準, 一般化能力だけでなく, 導出した物理量の近似においても, 全試験系において最大2桁の基準線を達成していることがわかった。

関連論文リスト

• Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [57.487936697747024]
  実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:24:56Z)
• Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids [0.7037008937757394]
  本稿では3つのディープニューラルネットワーク(DNN)を提案し,PF(Power Flow)ソリューションの予測を行った。 トレーニングデータとテストデータは、OpenDSS-MATLAB COMインターフェースを介して生成される。 提案手法の新規性は、モデルが不均衡分布格子に対するPF解を正確に予測できることである。
  論文  参考訳（メタデータ） (2024-01-15T04:43:37Z)
• PowerFlowNet: Power Flow Approximation Using Message Passing Graph Neural Networks [2.450802099490248]
  グラフニューラルネットワーク(GNN)は、電力フロー近似の精度と速度を改善するための有望なアプローチとして登場した。 本稿では,従来のNewton-Raphson法と同じような性能を示すPF近似のための新しいGNNアーキテクチャであるPowerFlowNetを紹介する。 性能と実行時間の点で、DC緩和法のような従来の近似法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-11-06T09:44:00Z)
• Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
  BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。 私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。 我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
  論文  参考訳（メタデータ） (2022-09-04T06:45:33Z)
• Multi-fidelity power flow solver [0.0]
  提案モデルでは、直流近似を低忠実度データとしてトレーニングした第1のネットワークと、低忠実度と高忠実度の両方の電力フローデータでトレーニングした第2のネットワークで構成されている。 14-および118-busのテストケースで実験を行い、不均衡な並行性データと高-低忠実度サンプル比に対して、n-k$の電力流量予測精度に基づいて性能評価を行った。
  論文  参考訳（メタデータ） (2022-05-26T13:43:26Z)
• On Feature Learning in Neural Networks with Global Convergence Guarantees [49.870593940818715]
  勾配流(GF)を用いた広帯域ニューラルネットワーク(NN)の最適化について検討する。 入力次元がトレーニングセットのサイズ以下である場合、トレーニング損失はGFの下での線形速度で0に収束することを示す。 また、ニューラル・タンジェント・カーネル(NTK)システムとは異なり、我々の多層モデルは特徴学習を示し、NTKモデルよりも優れた一般化性能が得られることを実証的に示す。
  論文  参考訳（メタデータ） (2022-04-22T15:56:43Z)
• Going Beyond Linear RL: Sample Efficient Neural Function Approximation [76.57464214864756]
  2層ニューラルネットワークによる関数近似について検討する。 この結果は線形(あるいは可溶性次元)法で達成できることを大幅に改善する。
  論文  参考訳（メタデータ） (2021-07-14T03:03:56Z)
• Which Neural Network to Choose for Post-Fault Localization, Dynamic State Estimation and Optimal Measurement Placement in Power Systems? [4.416484585765027]
  本稿では,PMU(Phasor Measurement Units)によって監視される電力伝送システムについて検討する。 まず,故障線を同定するニューラルネットワーク(nns)の包括的シーケンスを設計する。 第2に,プレフォールト状態が与えられた場合にトレーニングした先進的なPower-System-Dynamics-InformedおよびNeural-ODEベースの機械学習スキームを構築し,その状態を予測する。 第三に、最初の(フォールトローカリゼーション)設定で作業を続け、最適なPMU配置を発見する(NNベースの)アルゴリズムを設計します。
  論文  参考訳（メタデータ） (2021-04-07T13:35:55Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Physics-Guided Deep Neural Networks for Power Flow Analysis [18.761212680554863]
  本稿では,PF(Power Flow)問題を解決する物理誘導型ニューラルネットワークを提案する。 Kirchhoffの法則とシステムトポロジーの異なる粒度を再構成されたPFモデルに符号化することにより、ニューラルネットワークに基づくPFソルバは補助タスクによって正規化される。
  論文  参考訳（メタデータ） (2020-01-31T23:24:30Z)

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。