論文の概要: TensorConvolutionPlus: A python package for distribution system flexibility area estimation

• arxiv url: http://arxiv.org/abs/2501.06976v1
• Date: Sun, 12 Jan 2025 23:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:25:51.071734
• Title: TensorConvolutionPlus: A python package for distribution system flexibility area estimation
• Title（参考訳）: TensorConvolutionPlus: 分散システムの柔軟性領域推定のためのpythonパッケージ
• Authors: Demetris Chrysostomou, Jose Luis Rueda Torres, Jochen Lorenz Cremer,
• Abstract要約: 本稿では,ユーザフレンドリなPythonベースのフレキシビリティ領域推定パッケージを提案する。 ConvolutionPlusパッケージは、システムオペレータとパワーシステム研究者によるより広範なフレキシビリティ推定アルゴリズムの適応を容易にする。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Power system operators need new, efficient operational tools to use the flexibility of distributed resources and deal with the challenges of highly uncertain and variable power systems. Transmission system operators can consider the available flexibility in distribution systems (DSs) without breaching the DS constraints through flexibility areas. However, there is an absence of open-source packages for flexibility area estimation. This paper introduces TensorConvolutionPlus, a user-friendly Python-based package for flexibility area estimation. The main features of TensorConvolutionPlus include estimating flexibility areas using the TensorConvolution+ algorithm, the power flow-based algorithm, an exhaustive PF-based algorithm, and an optimal power flow-based algorithm. Additional features include adapting flexibility area estimations from different operating conditions and including flexibility service providers offering discrete setpoints of flexibility. The TensorConvolutionPlus package facilitates a broader adaptation of flexibility estimation algorithms by system operators and power system researchers.
• Abstract（参考訳）: 電力システムの運用者は、分散リソースの柔軟性を使用し、高度に不確実で可変な電力システムの課題に対処するために、新しい効率的な運用ツールが必要である。 伝送システムオペレータは、柔軟性領域を通じてDS制約を破ることなく、分散システム(DS)で利用可能な柔軟性を考えることができる。 しかし、柔軟性のある領域推定のためのオープンソースパッケージは存在しない。 本稿では,ユーザフレンドリなPythonベースのフレキシビリティ領域推定パッケージであるTensorConvolutionPlusを紹介する。 TensorConvolutionPlusの主な特徴は、TensorConvolution+アルゴリズムを使った柔軟性領域の推定、電力フローベースのアルゴリズム、徹底的なPFベースのアルゴリズム、そして最適な電力フローベースのアルゴリズムである。 その他の機能としては、異なる運用条件からのフレキシビリティ領域推定の適応、フレキシビリティの個別設定ポイントを提供するフレキシビリティサービスプロバイダなどがある。 TensorConvolutionPlusパッケージは、システムオペレータとパワーシステム研究者によるより広範なフレキシビリティ推定アルゴリズムの適応を容易にする。

関連論文リスト

• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• A class of modular and flexible covariate-based covariance functions for nonstationary spatial modeling [0.0]
  固定された観測可能な空間情報に依存する共分散関数のクラスを示す。 このモデルは、辺標準偏差、幾何学的異方性、滑らかさなど、異なる非定常性源に対する別々の構造を可能にする。 シミュレーション研究を通じて提示されたモデルの性能解析とスイスの降水データへの適用について述べる。
  論文  参考訳（メタデータ） (2024-10-22T05:53:25Z)
• OpenRANet: Neuralized Spectrum Access by Joint Subcarrier and Power Allocation with Optimization-based Deep Learning [47.468242164786275]
  次世代RANは、無線セルラーネットワークのためのAIネイティブインターフェースを備える。 本稿では,OpenRANetにおける共同サブキャリア電力配分の課題に対処する。
  論文  参考訳（メタデータ） (2024-08-31T13:10:48Z)
• A Quadrature Approach for General-Purpose Batch Bayesian Optimization via Probabilistic Lifting [29.476428264123644]
  GPyTorch/BoTorchをベースとしたPythonライブラリであるSOBERと呼ばれるカーネル二次構造を用いた確率的昇降によるバッチベイズ最適化のための汎用的でモジュール化されたフレームワークを提案する。 1) 統一されたアプローチ下での下流タスクの冗長性。 2) ドメインに依存しないサンプリング(例えば、離散変数と混合変数、非ユークリッド空間)を提供する、取得関数の勾配を必要としない勾配のないサンプリング器。
  論文  参考訳（メタデータ） (2024-04-18T14:30:46Z)
• FlexNN: A Dataflow-aware Flexible Deep Learning Accelerator for Energy-Efficient Edge Devices [0.6892601897291335]
  本稿では,アジャイル設計の原則を取り入れたFlexNNを紹介する。 私たちの設計は、ソフトウェア記述子を通じてあらゆるタイプの適応可能なデータフローを可能にすることで革新的です。 スループットをさらに向上し、エネルギー消費を削減するために、スポーシティベースの新しい加速ロジックを提案する。
  論文  参考訳（メタデータ） (2024-03-14T01:39:12Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• A Constraint Enforcement Deep Reinforcement Learning Framework for Optimal Energy Storage Systems Dispatch [0.0]
  エネルギー貯蔵システム(ESS)の最適供給は、動的価格の変動、需要消費、再生可能エネルギーの発生による深刻な課題を提起する。 ディープニューラルネットワーク(DNN)の一般化機能を活用することで、ディープ強化学習(DRL)アルゴリズムは、分散ネットワークの性質に適応して応答する良質な制御モデルを学ぶことができる。 本稿では,オンライン操作における環境や行動空間の運用制約を厳格に実施しながら,継続的な行動空間を効果的に処理するDRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-26T17:12:04Z)
• GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
  Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。 CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
  論文  参考訳（メタデータ） (2023-02-16T17:59:06Z)
• Federated Learning with Flexible Control [30.65854375019346]
  フェデレートラーニング(FL)は、ユーザが収集したローカルデータから分散モデルトレーニングを可能にする。 制約のあるリソースと潜在的に高いダイナミクスを持つ分散システムでは、例えばモバイルエッジネットワークでは、FLの効率が重要な問題である。 フレキシブルに調整可能な複数のオプションを持つFLアルゴリズムであるFlexFLを提案する。
  論文  参考訳（メタデータ） (2022-12-16T14:21:29Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• eQE 2.0: Subsystem DFT Beyond GGA Functionals [58.720142291102135]
  サブシステム-DFT (subsystem-DFT) は、大規模電子構造計算の計算コストを劇的に削減することができる。 sDFTの鍵となる要素は、その精度を支配する非付加的な運動エネルギーと交換相関関数である。 eQE 2.0は従来のコーンシャムDFTやCCSD(T)と比較して優れた相互作用エネルギーを提供する
  論文  参考訳（メタデータ） (2021-03-12T22:26:36Z)

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。