Fugu-MT 論文翻訳(概要): Power Flow Approximations for Multiphase Distribution Networks using Gaussian Processes

論文の概要: Power Flow Approximations for Multiphase Distribution Networks using Gaussian Processes

arxiv url: http://arxiv.org/abs/2504.21260v1
Date: Wed, 30 Apr 2025 02:26:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-09 22:51:57.621297
Title: Power Flow Approximations for Multiphase Distribution Networks using Gaussian Processes
Title（参考訳）: ガウス過程を用いた多相配電網の潮流近似
Authors: Daniel Glover, Parikshit Pareek, Deepjyoti Deka, Anamika Dubey,
Abstract要約: 本研究では, ガウス過程(GP)に基づくデータ駆動型潮流モデルを提案する。 IEEE 123-bus と 8500-node 配電試験装置を用いたシミュレーションの結果, トレーニングしたGPモデルが非線形電力流解を確実に予測できることが実証された。また,提案したGPベースパワーフロー近似器のトレーニング効率と試験性能を,ディープニューラルネットワークベース近似器に対して比較検討した。
参考スコア（独自算出の注目度）: 0.2812395851874055
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning-based approaches are increasingly leveraged to manage and coordinate the operation of grid-edge resources in active power distribution networks. Among these, model-based techniques stand out for their superior data efficiency and robustness compared to model-free methods. However, effective model learning requires a learning-based approximator for the underlying power flow model. This study extends existing work by introducing a data-driven power flow method based on Gaussian Processes (GPs) to approximate the multiphase power flow model, by mapping net load injections to nodal voltages. Simulation results using the IEEE 123-bus and 8500-node distribution test feeders demonstrate that the trained GP model can reliably predict the nonlinear power flow solutions with minimal training data. We also conduct a comparative analysis of the training efficiency and testing performance of the proposed GP-based power flow approximator against a deep neural network-based approximator, highlighting the advantages of our data-efficient approach. Results over realistic operating conditions show that despite an 85% reduction in the training sample size (corresponding to a 92.8% improvement in training time), GP models produce a 99.9% relative reduction in mean absolute error compared to the baselines of deep neural networks.
Abstract（参考訳）: 学習ベースのアプローチは、アクティブな電力分配ネットワークにおけるグリッドエッジリソースの管理と調整にますます活用されている。これらのうち、モデルベース手法は、モデルフリー手法よりも優れたデータ効率とロバスト性で際立っている。しかし、効果的なモデル学習には、基礎となる潮流モデルに対する学習に基づく近似器が必要である。本研究は, ガウス過程(GP)をベースとしたデータ駆動型潮流モデルを導入し, 多相電力流モデルに近似し, ネット負荷インジェクションを能動電圧にマッピングすることによって, 既存の作業を拡張した。 IEEE 123-bus と 8500-node 配電試験装置を用いたシミュレーションの結果,訓練されたGPモデルでは,最小限のトレーニングデータで非線形電力流解を確実に予測できることが示された。また、提案したGPベースの電力フロー近似器のトレーニング効率とテスト性能を、ディープニューラルネットワークベースの近似器に対して比較分析し、データ効率のアプローチの利点を強調した。現実的な動作条件に対する結果は、トレーニングサンプルサイズが85%削減されたにもかかわらず(トレーニング時間の92.8%の改善)、GPモデルはディープニューラルネットワークのベースラインと比較して平均絶対誤差を99.9%削減したことを示している。

関連論文リスト

Generative Diffusion Models for Resource Allocation in Wireless Networks [77.36145730415045]
我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。生成したサンプルの逐次実行により,ほぼ最適性能を実現する。本稿では,マルチユーザ干渉ネットワークにおける電力制御のケーススタディとして数値的な結果を示す。
論文参考訳（メタデータ） (2025-04-28T21:44:31Z)
FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。条件設定では、太陽予測において優れた性能を達成している。
論文参考訳（メタデータ） (2024-11-12T03:03:23Z)
Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
論文参考訳（メタデータ） (2024-07-18T17:35:32Z)
Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach [27.984958596544278]
本稿では、論理的制約として表される物理法則を、ディープニューラルネットワークの層として統合する制約付き推論と学習(CRL)アプローチについて検討する。そこで本研究では,深層モデルの一般化精度を向上させるため,理論的に基礎的なトレーニング手法を開発した。
論文参考訳（メタデータ） (2024-05-31T18:53:53Z)
Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network [0.0]
我々はFLAGCN(Federated Learning and Asynchronous Graph Convolutional Networks)と呼ばれる新しいディープラーニング手法を提案する。本フレームワークでは,リアルタイムトラフィックフロー予測の精度と効率を高めるために,非同期グラフ畳み込みネットワークとフェデレーション学習の原理を取り入れている。
論文参考訳（メタデータ） (2024-01-05T09:36:42Z)
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)
End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-03T10:21:53Z)
Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文参考訳（メタデータ） (2023-06-28T18:14:22Z)
Towards Compute-Optimal Transfer Learning [82.88829463290041]
我々は、事前訓練されたモデルのゼロショット構造化プルーニングにより、性能を最小限に抑えて計算効率を向上させることができると主張している。その結果,事前訓練されたモデルの畳み込み畳み込みフィルタは,低計算条件下で20%以上の性能向上をもたらす可能性が示唆された。
論文参考訳（メタデータ） (2023-04-25T21:49:09Z)
Normalizing flow neural networks by JKO scheme [22.320632565424745]
我々はJKO-iFlowと呼ばれるニューラルネットワークを開発し、Jordan-Kinderleherer-Ottoスキームに触発された。提案手法は,残余ブロックを次々と積み重ねることにより,残余ブロックの効率的なブロックワイズ訓練を可能にする。合成および実データを用いた実験により,提案したJKO-iFlowネットワークが競合性能を発揮することが示された。
論文参考訳（メタデータ） (2022-12-29T18:55:00Z)
Efficient Learning of Voltage Control Strategies via Model-based Deep Reinforcement Learning [9.936452412191326]
本稿では,電力系統の短期電圧安定性問題に対する緊急制御戦略を設計するためのモデルベース深部強化学習(DRL)手法を提案する。近年, モデルフリーDRL方式の電力系統への適用が期待できるが, モデルフリー方式はサンプル効率の低下と訓練時間に悩まされている。本稿では,Deep Neural Network(DNN)に基づく動的代理モデルを用いた新しいモデルベースDRLフレームワークを提案する。
論文参考訳（メタデータ） (2022-12-06T02:50:53Z)
Understanding the Effects of Data Parallelism and Sparsity on Neural Network Training [126.49572353148262]
ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
論文参考訳（メタデータ） (2020-03-25T10:49:22Z)
Deep Residual Flow for Out of Distribution Detection [27.218308616245164]
本稿では,正規化フローに基づく表現密度モデルを活用することにより,最先端技術を改善する新しい手法を提案する。本稿では,ResNet および DenseNet アーキテクチャにおける提案手法の有効性について述べる。
論文参考訳（メタデータ） (2020-01-15T16:38:47Z)

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。