Fugu-MT 論文翻訳(概要): Deep-Learning-Directed Preventive Dynamic Security Control via Coordinated Demand Response

論文の概要: Deep-Learning-Directed Preventive Dynamic Security Control via Coordinated Demand Response

arxiv url: http://arxiv.org/abs/2504.04059v1
Date: Sat, 05 Apr 2025 04:46:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-08 14:08:50.289501
Title: Deep-Learning-Directed Preventive Dynamic Security Control via Coordinated Demand Response
Title（参考訳）: 協調需要応答によるディープラーニング指向型予防動的セキュリティ制御
Authors: Amin Masoumi, Mert Korkali,
Abstract要約: 電力系統の3相短絡断層は重大な問題を引き起こす。これらの障害は、OOS(out-of-step)条件につながり、システムの動的セキュリティを損なう可能性がある。本稿では,OOS条件を早期に予測し,システムの耐障害性を高めるために,注目機構を備えた畳み込みニューラルネットワークという,エンドツーエンドのディープラーニングに基づくメカニズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Unlike common faults, three-phase short-circuit faults in power systems pose significant challenges. These faults can lead to out-of-step (OOS) conditions and jeopardize the system's dynamic security. The rapid dynamics of these faults often exceed the time of protection actions, thus limiting the effectiveness of corrective schemes. This paper proposes an end-to-end deep-learning-based mechanism, namely, a convolutional neural network with an attention mechanism, to predict OOS conditions early and enhance the system's fault resilience. The results of the study demonstrate the effectiveness of the proposed algorithm in terms of early prediction and robustness against such faults in various operating conditions.
Abstract（参考訳）: 一般的な断層とは異なり、電力系統の3相短絡断層は重大な問題を引き起こす。これらの障害は、OOS(out-of-step)条件につながり、システムの動的セキュリティを危険にさらす可能性がある。これらの断層の急激なダイナミクスは、しばしば保護行動の時間を超え、修正スキームの有効性を制限する。本稿では,OOS条件を早期に予測し,システムの耐障害性を高めるために,注目機構を備えた畳み込みニューラルネットワークという,エンドツーエンドのディープラーニングに基づくメカニズムを提案する。本研究の結果は, 種々の動作条件下での早期予測とロバスト性の観点から, 提案アルゴリズムの有効性を示すものである。

関連論文リスト

Improved deep learning of chaotic dynamical systems with multistep penalty losses [0.0]
カオスシステムの長期的な振る舞いを予測することは、依然として恐ろしい課題である。本稿では,最近提案された多段階ペナルティ演算子を活用することで,これらの課題に対処する新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-10-08T00:13:57Z)
Causal Interventional Prediction System for Robust and Explainable Effect Forecasting [14.104665282086339]
AIに基づく予測システムの堅牢性と説明可能性について検討する。我々は、変分オートエンコーダと多重計算の完全条件仕様に基づく因果介入予測システム(CIPS)を設計する。
論文参考訳（メタデータ） (2024-07-29T04:16:45Z)
Enhancing Functional Safety in Automotive AMS Circuits through Unsupervised Machine Learning [9.100418852199082]
AMS回路における早期異常検出のための教師なし機械学習に基づく新しいフレームワークを提案する。提案手法では、様々な回路位置や個々のコンポーネントに異常を注入して、多種多様な総合的な異常データセットを作成する。これらの異常条件下でのシステムの挙動をモニタリングすることにより、異常の伝播とその影響を異なる抽象レベルで捉える。
論文参考訳（メタデータ） (2024-04-02T04:33:03Z)
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)
Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文参考訳（メタデータ） (2024-02-29T00:02:33Z)
Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文参考訳（メタデータ） (2022-08-31T18:19:25Z)
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)
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)
Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。最適制御には無関係な状態変数を特徴付ける。
論文参考訳（メタデータ） (2021-10-12T16:41:47Z)
Robust Optimization and Validation of Echo State Networks for learning chaotic dynamics [6.345523830122166]
カオス解の時間精度予測へのアプローチは、データから時間パターンを学ぶことである。既存の研究では、ハイパーパラメータの小さな変更がネットワークの性能に顕著に影響を及ぼすことが示されている。本稿では,カオス解の時間的精度を予測するために,エコー状態ネットワークのロバスト性を評価し,改善することを目的とする。
論文参考訳（メタデータ） (2021-02-09T22:24:00Z)
Physics-Informed Neural Networks for Non-linear System Identification for Power System Dynamics [0.0]
本稿では,将来の電力系統の周波数ダイナミクスを発見するための物理情報ニューラルネットワーク(PINN)の性能について検討する。 PINNは、低慣性システムのより強い非線形性、測定ノイズの増加、データの可用性の制限といった課題に対処する可能性がある。
論文参考訳（メタデータ） (2020-04-08T14:50:13Z)

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。