論文の概要: Data driven approach towards more efficient Newton-Raphson power flow calculation for distribution grids
- arxiv url: http://arxiv.org/abs/2504.11650v1
- Date: Tue, 15 Apr 2025 22:37:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 14:40:11.939670
- Title: Data driven approach towards more efficient Newton-Raphson power flow calculation for distribution grids
- Title（参考訳）: 配電系統におけるより効率的なニュートン・ラフソン潮流計算へのデータ駆動手法
- Authors: Shengyuan Yan, Farzad Vazinram, Zeynab Kaseb, Lindsay Spoor, Jochen Stiasny, Betul Mamudi, Amirhossein Heydarian Ardakani, Ugochukwu Orji, Pedro P. Vergara, Yu Xiang, Jerry Guo,
- Abstract要約: 電力フロー(PF)計算は、安定かつ信頼性の高いグリッド動作を保証するために、電力系統解析の基礎となる。
The Newton-Raphson (NR) method is common used for PF analysis because its rapid convergence when appropriate。
この研究は、NRを改善するための戦略を提案し、イテレーションを最小化し、ばらつきを避ける。
- 参考スコア（独自算出の注目度）: 1.6396659596758738
- License:
- Abstract: Power flow (PF) calculations are fundamental to power system analysis to ensure stable and reliable grid operation. The Newton-Raphson (NR) method is commonly used for PF analysis due to its rapid convergence when initialized properly. However, as power grids operate closer to their capacity limits, ill-conditioned cases and convergence issues pose significant challenges. This work, therefore, addresses these challenges by proposing strategies to improve NR initialization, hence minimizing iterations and avoiding divergence. We explore three approaches: (i) an analytical method that estimates the basin of attraction using mathematical bounds on voltages, (ii) Two data-driven models leveraging supervised learning or physics-informed neural networks (PINNs) to predict optimal initial guesses, and (iii) a reinforcement learning (RL) approach that incrementally adjusts voltages to accelerate convergence. These methods are tested on benchmark systems. This research is particularly relevant for modern power systems, where high penetration of renewables and decentralized generation require robust and scalable PF solutions. In experiments, all three proposed methods demonstrate a strong ability to provide an initial guess for Newton-Raphson method to converge with fewer steps. The findings provide a pathway for more efficient real-time grid operations, which, in turn, support the transition toward smarter and more resilient electricity networks.
- Abstract（参考訳）: 電力フロー(PF)計算は、安定かつ信頼性の高いグリッド動作を保証するために、電力系統解析の基礎となる。
The Newton-Raphson (NR) method is common used for PF analysis because its rapid convergence when appropriateized。
しかし、電力網が容量限界に近づくと、不条件ケースや収束の問題が重大な課題となる。
この作業は、NR初期化を改善する戦略を提案し、イテレーションを最小化し、ばらつきを避けることで、これらの課題に対処する。
私たちは3つのアプローチを探求します。
一 電圧の数学的境界を用いてアトラクションの流域を推定する解析方法
二 教師付き学習又は物理インフォームドニューラルネットワーク(PINN)を利用した最適初期推定予測のための2つのデータ駆動モデル
三 電圧を漸進的に調整して収束を加速する強化学習(RL)アプローチ。
これらの手法はベンチマークシステムでテストされる。
この研究は、再生可能エネルギーの高浸透と分散発電が堅牢でスケーラブルなPFソリューションを必要とする現代の電力システムに特に関係している。
実験で提案された3つの手法は全て、より少ないステップで収束するニュートン・ラフソン法の初期推定を与える強い能力を示す。
この発見は、より効率的なリアルタイムグリッド運用のための経路を提供し、それによって、よりスマートでよりレジリエントな電気ネットワークへの移行を支援する。
関連論文リスト
- Enriched Physics-informed Neural Networks for Dynamic
Poisson-Nernst-Planck Systems [0.8192907805418583]
本稿では、動的Poisson-Nernst-Planck(PNP)方程式を解くために、メッシュレス深層学習アルゴリズム、EPINN(enriched Physics-informed Neural Network)を提案する。
EPINNは、従来の物理インフォームドニューラルネットワークを基盤フレームワークとして、損失関数のバランスをとるために適応的な損失重みを追加する。
数値計算の結果, 結合された非線形系の解法において, 従来の数値法よりも適用性が高いことがわかった。
論文 参考訳（メタデータ） (2024-02-01T02:57:07Z) - Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced
Smart Distribution Grids [0.7037008937757394]
本稿では3つのディープニューラルネットワーク(DNN)を提案し,PF(Power Flow)ソリューションの予測を行った。
トレーニングデータとテストデータは、OpenDSS-MATLAB COMインターフェースを介して生成される。
提案手法の新規性は、モデルが不均衡分布格子に対するPF解を正確に予測できることである。
論文 参考訳（メタデータ） (2024-01-15T04:43:37Z) - Contingency Analyses with Warm Starter using Probabilistic Graphical Model [0.6843496572893534]
サイバー脅威は電力網にとってますます一般的なリスクであり、セキュアなグリッド運用を妨げる可能性がある。
本稿では,サイバー脅威評価を含む緊急分析の拡張を提案する。
論文 参考訳（メタデータ） (2023-04-10T20:27:53Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳（メタデータ） (2023-03-01T10:38:10Z) - Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian
Processes [57.70237375696411]
入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。
提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
論文 参考訳（メタデータ） (2022-08-30T09:27:59Z) - Multi-fidelity power flow solver [0.0]
提案モデルでは、直流近似を低忠実度データとしてトレーニングした第1のネットワークと、低忠実度と高忠実度の両方の電力フローデータでトレーニングした第2のネットワークで構成されている。
14-および118-busのテストケースで実験を行い、不均衡な並行性データと高-低忠実度サンプル比に対して、n-k$の電力流量予測精度に基づいて性能評価を行った。
論文 参考訳（メタデータ） (2022-05-26T13:43:26Z) - Adversarially Robust Learning for Security-Constrained Optimal Power
Flow [55.816266355623085]
我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。
N-k SCOPFは電力網の運用における中核的な問題である。
N-k SCOPF を極小最適化問題とみなす。
論文 参考訳（メタデータ） (2021-11-12T22:08:10Z) - 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) - Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。
また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
論文 参考訳（メタデータ） (2020-04-17T20:21:47Z) - Physics-Guided Deep Neural Networks for Power Flow Analysis [18.761212680554863]
本稿では,PF(Power Flow)問題を解決する物理誘導型ニューラルネットワークを提案する。
Kirchhoffの法則とシステムトポロジーの異なる粒度を再構成されたPFモデルに符号化することにより、ニューラルネットワークに基づくPFソルバは補助タスクによって正規化される。
論文 参考訳（メタデータ） (2020-01-31T23:24:30Z)
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。