論文の概要: Fast Searching of Extreme Operating Conditions for Relay Protection Setting Calculation Based on Graph Neural Network and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2501.09399v1
• Date: Thu, 16 Jan 2025 09:11:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:09:47.272930
• Title: Fast Searching of Extreme Operating Conditions for Relay Protection Setting Calculation Based on Graph Neural Network and Reinforcement Learning
• Title（参考訳）: グラフニューラルネットワークと強化学習に基づくリレー保護設定計算のための極端動作条件の高速探索
• Authors: Yan Li, Jingyu Wang, Jiankang Zhang, Huaiqiang Li, Longfei Ren, Yinhong Li, Dongyuan Shi, Xianzhong Duan,
• Abstract要約: 本稿では,グラフニューラルネットワークと深部強化学習を組み合わせたEOC高速探索手法であるGraph Dueling Double Deep Q Network (Graph D3QN)を提案する。 提案手法は,IEEE 39-bus と 118-bus のリレー保護設定計算のための探索故障電流のケーススタディにより検証された。
• 参考スコア（独自算出の注目度）: 17.53397766003465
• License:
• Abstract: Searching for the Extreme Operating Conditions (EOCs) is one of the core problems of power system relay protection setting calculation. The current methods based on brute-force search, heuristic algorithms, and mathematical programming can hardly meet the requirements of today's power systems in terms of computation speed due to the drastic changes in operating conditions induced by renewables and power electronics. This paper proposes an EOC fast search method, named Graph Dueling Double Deep Q Network (Graph D3QN), which combines graph neural network and deep reinforcement learning to address this challenge. First, the EOC search problem is modeled as a Markov decision process, where the information of the underlying power system is extracted using graph neural networks, so that the EOC of the system can be found via deep reinforcement learning. Then, a two-stage Guided Learning and Free Exploration (GLFE) training framework is constructed to accelerate the convergence speed of reinforcement learning. Finally, the proposed Graph D3QN method is validated through case studies of searching maximum fault current for relay protection setting calculation on the IEEE 39-bus and 118-bus systems. The experimental results demonstrate that Graph D3QN can reduce the computation time by 10 to 1000 times while guaranteeing the accuracy of the selected EOCs.
• Abstract（参考訳）: EOC(Extreme Operating Conditions)の探索は、電力系統のリレー保護設定計算における中核的な問題の一つである。 ブルートフォースサーチ、ヒューリスティックアルゴリズム、数学的プログラミングに基づく現在の手法は、再生可能エネルギーや電力エレクトロニクスによって引き起こされる運転条件の劇的な変化により、計算速度の観点から今日の電力システムの要求を満たすことはほとんどできない。 本稿では,グラフニューラルネットワークと深部強化学習を組み合わせたEOC高速探索手法であるGraph Dueling Double Deep Q Network (Graph D3QN)を提案する。 まず、ECC探索問題をマルコフ決定プロセスとしてモデル化し、基礎となる電力システムの情報をグラフニューラルネットワークを用いて抽出し、深層強化学習によりシステムのECCを見つける。 次に,強化学習の収束速度を向上するために,GLFEトレーニングフレームワークを構築した。 最後に, IEEE 39-busと118-busのリレー保護設定計算のために, 最大限の故障電流を探索するケーススタディにより, 提案手法の有効性を検証した。 実験の結果,グラフD3QNは,選択したEOCの精度を保証しながら,計算時間を10～1000倍削減できることがわかった。

関連論文リスト

• Graph neural networks for power grid operational risk assessment under evolving grid topology [4.6289929100615]
  本稿では、その後の数時間で電力グリッド内の危険条件を識別するグラフニューラルネットワーク(GNN)の能力について検討する。 GNNは、電力供給と需要の異なる条件下で電力グリッドの集約されたバスレベルを予測するために、教師付き学習を使用して訓練される。 GNNに基づく信頼性とリスクアセスメントの優れた精度は、GNNモデルが状況認識を大幅に改善できることを示している。
  論文  参考訳（メタデータ） (2024-05-12T17:40:27Z)
• Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit Commitment [0.5076419064097734]
  SCUC(Security-Constrained Unit commitment)は、電力系統の日頭スケジューリングと市場浄化に使用される計算上の複雑なプロセスである。 本稿では,制約の空間的相関と時間的相関を本質的に考慮した,電力系統履歴データのパターンの学習に先進機械学習(ML)モデルを用いる。 ST関連MLモデルはグラフニューラルネットワーク(GNN)を考慮して空間相関を理解するために訓練される一方、時間列は長期記憶(LSTM)ネットワークを用いて研究される。
  論文  参考訳（メタデータ） (2023-06-02T14:31:24Z)
• Graph Reinforcement Learning-based CNN Inference Offloading in Dynamic Edge Computing [93.67044879636093]
  本稿では,動的マルチアクセスエッジコンピューティング(MEC)ネットワークにおけるCNN推論の計算オフロードについて述べる。 本稿では,グラフ強化学習に基づく早期退避機構(GRLE)を提案する。 実験の結果,GRLEはグラフ強化学習(GRL)の3.41倍,DROOEの1.45倍の平均精度が得られた。
  論文  参考訳（メタデータ） (2022-10-24T07:17:20Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Robust and Fast Data-Driven Power System State Estimator Using Graph Neural Networks [1.2891210250935146]
  本稿では,グラフニューラルネットワーク(GNN)に基づくモデルトレーニング手法について,PMU電圧と電流測定から推定値を求める。 本稿では,電力系統の因子グラフ上の独自のGNN実装を提案する。
  論文  参考訳（メタデータ） (2022-06-06T16:40:54Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Solving AC Power Flow with Graph Neural Networks under Realistic Constraints [3.114162328765758]
  本稿では,現実的な制約下での交流電力流問題の解法として,グラフニューラルネットワークアーキテクチャを提案する。 本稿では,グラフニューラルネットワークを用いて電力フローの物理的制約を学習するフレームワークの開発を実演する。
  論文  参考訳（メタデータ） (2022-04-14T14:49:34Z)
• Graph Reinforcement Learning for Radio Resource Allocation [13.290246410488727]
  我々は,無線通信における多くの問題に固有の2種類のリレーショナル先行性を活用するために,グラフ強化学習を利用する。 グラフ強化学習フレームワークを体系的に設計するために,まず状態行列を状態グラフに変換する方法を提案する。 次に,所望の置換特性を満たすグラフニューラルネットワークの汎用手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T08:02:54Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment and Passive Beamforming Design [116.88396201197533]
  再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。 エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。 リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。 RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-28T14:37:38Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。