論文の概要: Synthetic Power Flow Data Generation Using Physics-Informed Denoising Diffusion Probabilistic Models

• arxiv url: http://arxiv.org/abs/2504.17210v1
• Date: Thu, 24 Apr 2025 02:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.22834
• Title: Synthetic Power Flow Data Generation Using Physics-Informed Denoising Diffusion Probabilistic Models
• Title（参考訳）: 物理インフォームドデノイング拡散確率モデルを用いた合成潮流データ生成
• Authors: Junfei Wang, Darshana Upadhyay, Marzia Zaman, Pirathayini Srikantha,
• Abstract要約: 本稿では、実現可能な電力フローデータを合成するための物理インフォームド・ジェネレーション・フレームワークを提案する。 IEEE 14-busと30-busベンチマークシステムに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many data-driven modules in smart grid rely on access to high-quality power flow data; however, real-world data are often limited due to privacy and operational constraints. This paper presents a physics-informed generative framework based on Denoising Diffusion Probabilistic Models (DDPMs) for synthesizing feasible power flow data. By incorporating auxiliary training and physics-informed loss functions, the proposed method ensures that the generated data exhibit both statistical fidelity and adherence to power system feasibility. We evaluate the approach on the IEEE 14-bus and 30-bus benchmark systems, demonstrating its ability to capture key distributional properties and generalize to out-of-distribution scenarios. Comparative results show that the proposed model outperforms three baseline models in terms of feasibility, diversity, and accuracy of statistical features. This work highlights the potential of integrating generative modelling into data-driven power system applications.
• Abstract（参考訳）: スマートグリッドの多くのデータ駆動モジュールは、高品質な電力フローデータへのアクセスに依存している。 本稿では,実測可能な電力フローデータを合成するための解法拡散確率モデル(DDPM)に基づく物理インフォームド生成フレームワークを提案する。 補助的なトレーニングと物理インフォームド・ロス関数を組み込むことにより, 生成したデータが, 電力系統の実現可能性に対する統計的忠実度と忠実性の両方を示すことを保証する。 IEEE 14-bus と 30-bus のベンチマークシステムに対するアプローチを評価し,主要な分布特性を捕捉し,配布外シナリオに一般化できることを実証した。 比較結果から,提案モデルは,統計的特徴量の実現可能性,多様性,精度の点で,3つのベースラインモデルより優れていることが示された。 この研究は、生成モデリングをデータ駆動の電力システムアプリケーションに統合する可能性を強調している。

関連論文リスト

• Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
  科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。 本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。 以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-03-24T19:12:39Z)
• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• Stable Port-Hamiltonian Neural Networks [12.888451750172404]
  本稿では,エネルギー保存や散逸の物理的バイアスを組み込んだ機械学習アーキテクチャである,安定なポート・ハミルトンニューラルネットワークを提案する。 実例と実世界の計測データによる評価は、スパースデータからモデルを一般化する能力を示している。 データ駆動サロゲートモデリングに対するモデルの可能性は、マルチ物理シミュレーションデータへの適用において強調される。
  論文  参考訳（メタデータ） (2025-02-04T16:57:02Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
  本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。 提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
  論文  参考訳（メタデータ） (2024-06-05T04:28:57Z)
• Generating Synthetic Net Load Data with Physics-informed Diffusion Model [0.8848340429852071]
  条件付き認知ニューラルネットワークは、拡散モデルの遷移核のパラメータを共同で訓練するように設計されている。 総合的な評価指標を用いて、生成された合成ネット負荷データの正確性と多様性を評価する。
  論文  参考訳（メタデータ） (2024-06-04T02:50:19Z)
• A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks [0.0]
  反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。 我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。 このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
  論文  参考訳（メタデータ） (2024-02-28T22:19:55Z)
• Generative Learning of Continuous Data by Tensor Networks [45.49160369119449]
  本稿では,連続データのためのテンソルネットワーク生成モデルについて紹介する。 我々は、このモデルの性能を、いくつかの合成および実世界のデータセットでベンチマークする。 本手法は, 急速に成長する生成学習分野において, 量子インスピレーション法の有効性を示す重要な理論的, 実証的な証拠を与える。
  論文  参考訳（メタデータ） (2023-10-31T14:37:37Z)
• Stable Training of Probabilistic Models Using the Leave-One-Out Maximum Log-Likelihood Objective [0.7373617024876725]
  カーネル密度推定(KDE)に基づくモデルは、このタスクの一般的な選択であるが、密度の異なるデータ領域に適応できない。 適応的なKDEモデルを用いてこれを回避し、モデル内の各カーネルは個別の帯域幅を持つ。 最適化速度を確実に高速化するために改良された期待最大化アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-10-05T14:08:42Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。