論文の概要: JuliaGrid: An Open-Source Julia-Based Framework for Power System State Estimation

• arxiv url: http://arxiv.org/abs/2502.18229v1
• Date: Tue, 25 Feb 2025 14:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:37.592360
• Title: JuliaGrid: An Open-Source Julia-Based Framework for Power System State Estimation
• Title（参考訳）: JuliaGrid: 電力系統状態推定のためのオープンソースのJuliaベースのフレームワーク
• Authors: Mirsad Cosovic, Ognjen Kundacina, Muhamed Delalic, Armin Teskeredzic, Darijo Raca, Amer Mesanovic, Dragisa Miskovic, Dejan Vukobratovic, Antonello Monti,
• Abstract要約: JuliaGridはオープンソースのフレームワークで、複数のプラットフォームにわたるハイパフォーマンス実行用に設計されている。 可観測性解析、重み付けされた最小二乗および絶対値推定器、悪いデータ分析、およびファサー測定に関連する様々なアルゴリズムを実装している。 JuliaGridは、他のオープンソースフレームワークと比較して、競争力のある実行時間で、すべてのSEルーチンにわたる大規模なシステムを解決する。
• 参考スコア（独自算出の注目度）: 1.912716683143199
• License:
• Abstract: Modern electric power systems have an increasingly complex structure due to rise in power demand and integration of diverse energy sources. Monitoring these large-scale systems, which relies on efficient state estimation (SE), represents a challenging computational task and requires efficient simulation tools for power system steady-state analyses. Motivated by this observation, we propose JuliaGrid, an open-source framework written in the Julia programming language, designed for high performance execution across multiple platforms. The framework implements observability analysis, weighted least-squares and least-absolute value estimators, bad data analysis, and various algorithms related to phasor measurements. To complete power system analysis, the framework includes power flow and optimal power flow, enabling measurement generation for the SE routines. Leveraging computationally efficient algorithms, JuliaGrid solves large-scale systems across all SE routines with competitive execution times compared to other open-source frameworks. These capabilities are validated through simulations on power systems with 10000, 20000 and 70000 buses.
• Abstract（参考訳）: 現代の電力システムは、電力需要の増加と多様なエネルギー源の統合により、ますます複雑な構造になっている。 効率的な状態推定(SE)に依存するこれらの大規模システムのモニタリングは、計算が困難な課題であり、電力系統の定常状態解析に効率的なシミュレーションツールを必要とする。 そこで本研究では,Julia言語で記述されたオープンソースのフレームワークであるJuliaGridを提案する。 このフレームワークは、観測可能性分析、重み付けされた最小二乗および絶対値推定器、悪いデータ分析、およびファサー測定に関連する様々なアルゴリズムを実装している。 電力系統解析を完了させるために、このフレームワークは、SEルーチンの測定生成を可能にする、電力フローと最適電力フローを含む。 JuliaGridは計算効率のよいアルゴリズムを活用することで、他のオープンソースフレームワークと比較して、競争力のある実行時間で、すべてのSEルーチンにわたる大規模なシステムを解決している。 これらの能力は10000、20000、70000のバスで電力システムのシミュレーションによって検証される。

関連論文リスト

• A Multiagent Path Search Algorithm for Large-Scale Coalition Structure Generation [61.08720171136229]
  結合構造生成はマルチエージェントシステムにおける基本的な計算問題である。 我々はCSGの多エージェントパス探索アルゴリズムであるSALDAEを開発し、連立構造グラフ上で運用する。
  論文  参考訳（メタデータ） (2025-02-14T15:21:27Z)
• A Unified Energy Management Framework for Multi-Timescale Forecasting in Smart Grids [2.9934171338140425]
  時系列データの中間および長期の依存関係を正確に把握することは困難である。 本稿では、時間的位置符号化層を備えた新しいアーキテクチャにより、その依存性を捉えるマルチスケール電力負荷予測フレームワークであるMulti-pofoを提案する。
  論文  参考訳（メタデータ） (2024-11-22T08:45:41Z)
• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• Distributed Inference and Fine-tuning of Large Language Models Over The Internet [91.00270820533272]
  大規模言語モデル(LLM)は、多くのNLPタスクで有用であり、サイズが向上する。 これらのモデルはハイエンドのハードウェアを必要とするため、ほとんどの研究者にはアクセスできない。 本研究では,システムスループットの最大化のためにデバイスを自動的に割り当てるフォールトトレラント推論アルゴリズムとロードバランシングプロトコルを開発する。
  論文  参考訳（メタデータ） (2023-12-13T18:52:49Z)
• 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)
• A Dynamic Feedforward Control Strategy for Energy-efficient Building System Operation [59.56144813928478]
  現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。 本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。 典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
  論文  参考訳（メタデータ） (2023-01-23T09:07:07Z)
• Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
  グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。 深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。 問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
  論文  参考訳（メタデータ） (2022-12-23T17:00:00Z)
• Distributed-Training-and-Execution Multi-Agent Reinforcement Learning for Power Control in HetNet [48.96004919910818]
  We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。 エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。 このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
  論文  参考訳（メタデータ） (2022-12-15T17:01:56Z)
• Multi-Resource Allocation for On-Device Distributed Federated Learning Systems [79.02994855744848]
  本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。 システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
  論文  参考訳（メタデータ） (2022-11-01T14:16:05Z)
• Joint Optimization of Energy Consumption and Completion Time in Federated Learning [16.127019859725785]
  フェデレートラーニング(FL)は、プライバシ保護の特性から興味深い分散機械学習アプローチである。 エネルギーと実行遅延の間のトレードオフをバランスさせるアルゴリズムを定式化し、異なる要求とアプリケーションシナリオに対応する。
  論文  参考訳（メタデータ） (2022-09-29T16:05:28Z)
• Optimization of Heterogeneous Systems with AI Planning Heuristics and Machine Learning: A Performance and Energy Aware Approach [0.0]
  不均一コンピューティングシステムは高い性能とエネルギー効率を提供する。 このようなシステムを最適に活用するには、ホストCPUとアクセラレーションデバイスにまたがるソリューションが必要である。 本稿では,パラメータ空間探索のためのAI計画と,性能とエネルギー評価のための機械学習モデルを組み合わせた,性能とエネルギーを考慮したアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-02T19:45:53Z)

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。