論文の概要: Exploiting sparse structures and synergy designs to advance situational awareness of electrical power grid

• arxiv url: http://arxiv.org/abs/2412.15105v1
• Date: Thu, 19 Dec 2024 17:51:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:30:16.740138
• Title: Exploiting sparse structures and synergy designs to advance situational awareness of electrical power grid
• Title（参考訳）: 電力グリッドの状況認識を促進するためのスパース構造とシナジー設計
• Authors: Shimiao Li,
• Abstract要約: この論文は、二重折り畳み寄与による堅牢性と効率ギャップに対処する。 まず、既存の物理とデータ駆動の世界に固有の制限に対処する。 次に、従来のアルゴリズム設計の境界を新しいパラダイムである物理-MLシナジーの方向に超越する。
• 参考スコア（独自算出の注目度）: 0.4759142872591625
• License:
• Abstract: The growing threats of uncertainties, anomalies, and cyberattacks on power grids are driving a critical need to advance situational awareness which allows system operators to form a complete and accurate picture of the present and future state. Simulation and estimation are foundational tools in this process. However, existing tools lack the robustness and efficiency required to achieve the level of situational awareness needed for the ever-evolving threat landscape. Industry-standard (steady-state) simulators are not robust to blackouts, often leading to non-converging or non-actionable results. Estimation tools lack robustness to anomalous data, returning erroneous system states. Efficiency is the other major concern as nonlinearities and scalability issues make large systems slow to converge. This thesis addresses robustness and efficiency gaps through a dual-fold contribution. We first address the inherent limitations in the existing physics-based and data-driven worlds; and then transcend the boundaries of conventional algorithmic design in the direction of a new paradigm -- Physics-ML Synergy -- which integrates the strengths of the two worlds. Our approaches are built on circuit formulation which provides a unified framework that applies to both transmission and distribution. Sparse optimization acts as the key enabler to make these tools intrinsically robust and immune to random threats, pinpointing dominant sources of (random) blackouts and data errors. Further, we explore sparsity-exploiting optimizations to develop lightweight ML models whose prediction and detection capabilities are a complement to physics-based tools; and whose lightweight designs advance generalization and scalability. Finally, Physics-ML Synergy brings robustness and efficiency further against targeted cyberthreats, by interconnecting our physics-based tools with lightweight ML.
• Abstract（参考訳）: 電力網に対する不確実性、異常、サイバー攻撃の脅威の増大は、システムオペレーターが現在の状態と将来の状態の完全かつ正確な画像を形成するための状況認識を促進するための重要な必要性を駆り立てている。 シミュレーションと推定は、このプロセスの基礎となるツールである。 しかし、既存のツールには、絶え間なく進化する脅威の風景に必要な状況認識レベルを達成するために必要な堅牢性と効率性が欠如している。 業界標準(定常状態)シミュレータはブラックアウトに対して堅牢ではないため、しばしば非収束性や非作用性の結果をもたらす。 推定ツールは異常なデータに対して堅牢性を欠き、誤ったシステム状態を返す。 非線形性とスケーラビリティの問題により、大規模システムは収束が遅くなる。 この論文は、二重折り畳み寄与による堅牢性と効率ギャップに対処する。 まず、既存の物理とデータ駆動の世界に固有の制限に対処し、次に、2つの世界の強みを統合する新しいパラダイムである物理-ML シナジー(Synergy)の方向に、従来のアルゴリズム設計の境界を超越します。 我々のアプローチは、伝送と分散の両方に適用される統一的なフレームワークを提供する回路定式化に基づいて構築されている。 スパース最適化は、これらのツールを本質的に堅牢でランダムな脅威に免疫させ、(ランダムな)ブラックアウトやデータエラーの主要な原因を指摘するための鍵となる。 さらに,予測と検出能力が物理ベースのツールを補完する軽量MLモデルを開発するための空間探索最適化について検討し,軽量設計により一般化と拡張性が向上した。 最後に、Synergyは、物理ベースのツールと軽量MLを相互接続することにより、ターゲットとするサイバー脅威に対して堅牢性と効率性を高めます。

関連論文リスト

• DETECTA 2.0: Research into non-intrusive methodologies supported by Industry 4.0 enabling technologies for predictive and cyber-secure maintenance in SMEs [0.19972837513980318]
  DETECTA 2.0プロジェクトは、リアルタイム異常検出、高度な分析、予測予測機能を調和させる。 中心となるのはDigital Twinインターフェースで、マシン状態と検出された異常の直感的なリアルタイム可視化を提供する。 予測エンジンは、N-HiTSのような高度な時系列アルゴリズムを使用して、将来のマシン利用トレンドを予測する。
  論文  参考訳（メタデータ） (2024-05-24T08:38:38Z)
• GAN-GRID: A Novel Generative Attack on Smart Grid Stability Prediction [53.2306792009435]
  我々は,現実の制約に合わせたスマートグリッドの安定性予測システムを対象とした,新たな敵攻撃GAN-GRIDを提案する。 以上の結果から,データやモデル知識を欠いた,安定度モデルのみに武装した敵が,攻撃成功率0.99の安定度でデータを作成できることが判明した。
  論文  参考訳（メタデータ） (2024-05-20T14:43:46Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Quick Framework for Evaluating Worst Robustness of Complex Networks [6.6601150909346165]
  本稿では,知識の積み重ねに基づくMDA(Most Destruction Attack)の概念を紹介する。 ネットワークの最悪のロバスト性を評価するためにMDAが使用され、続いて適応されたCNNアルゴリズムが高速な最悪のロバスト性予測に使用される。 各種ネットワークトポロジにおける最悪のロバスト性を予測するため,適応型CNNアルゴリズムの異常な性能を強調した。
  論文  参考訳（メタデータ） (2024-02-28T16:32:47Z)
• Energy-frugal and Interpretable AI Hardware Design using Learning Automata [5.514795777097036]
  Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。 本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。 本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-19T15:11:18Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks [6.09170287691728]
  本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。 次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。 この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
  論文  参考訳（メタデータ） (2022-02-08T05:49:06Z)
• The Powerful Use of AI in the Energy Sector: Intelligent Forecasting [7.747343962518897]
  本稿では,エネルギー部門におけるAIシステムの開発,展開,評価を行う手法を提案する。 目標は、エネルギーユーティリティーユーザーに高い信頼性を提供することだ。
  論文  参考訳（メタデータ） (2021-11-03T05:30:42Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。