論文の概要: Diffusion-assisted Model Predictive Control Optimization for Power System Real-Time Operation

• arxiv url: http://arxiv.org/abs/2505.08535v2
• Date: Thu, 15 May 2025 03:16:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 12:00:18.770438
• Title: Diffusion-assisted Model Predictive Control Optimization for Power System Real-Time Operation
• Title（参考訳）: 電力系統リアルタイム運転における拡散支援モデル予測制御最適化
• Authors: Linna Xu, Yongli Zhu,
• Abstract要約: 本稿では,リアルタイム電力系統運用のためのモデル予測制御(MPC)フレームワークを提案する。 このフレームワークは、負荷予測モジュールの精度を高めるために、時系列生成に適した拡散モデルを含む。
• 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: This paper presents a modified model predictive control (MPC) framework for real-time power system operation. The framework incorporates a diffusion model tailored for time series generation to enhance the accuracy of the load forecasting module used in the system operation. In the absence of explicit state transition law, a model-identification procedure is leveraged to derive the system dynamics, thereby eliminating a barrier when applying MPC to a renewables-dominated power system. Case study results on an industry park system and the IEEE 30-bus system demonstrate that using the diffusion model to augment the training dataset significantly improves load-forecasting accuracy, and the inferred system dynamics are applicable to the real-time grid operation with solar and wind.
• Abstract（参考訳）: 本稿では,リアルタイム電力系統運用のためのモデル予測制御(MPC)フレームワークを提案する。 このフレームワークは、時系列生成に適した拡散モデルを導入し、システム操作で使用される負荷予測モジュールの精度を高める。 明示的な状態遷移法がなければ、モデル同定手順を利用してシステムダイナミクスを導出し、再生可能電力システムにMPCを適用する際の障壁を取り除く。 産業用公園システムとIEEE30バスシステムのケーススタディでは, 拡散モデルを用いてトレーニングデータセットを増大させることで, 負荷予測精度が著しく向上し, 推定システムのダイナミクスが太陽風によるリアルタイムグリッド操作に適用できることが示されている。

関連論文リスト

• LAPSO: A Unified Optimization View for Learning-Augmented Power System Operations [3.754570687412345]
  本稿では,LAPSO(Learning-Augmented Power System Operations)の総合的枠組みを提案する。 LAPSOは運用段階を中心におり、時間的にサイロ化された電力系統のタスクの境界線を断ち切ることを目的としている。 学習可能なコンポーネントで既存のパワーシステム最適化モデルを自動的に拡張するために、専用のPythonパッケージ-lapsoが導入された。
  論文  参考訳（メタデータ） (2025-05-08T13:00:24Z)
• 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)
• Deep Generative Methods for Producing Forecast Trajectories in Power Systems [0.0]
  トランスポート・システム・オペレーター(TSO)は、将来の電力系統の機能をシミュレートするための分析を行う必要がある。 これらのシミュレーションは意思決定プロセスの入力として使用される。
  論文  参考訳（メタデータ） (2023-09-26T14:43:01Z)
• 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)
• Sequence-to-Sequence Forecasting-aided State Estimation for Power Systems [0.0]
  本稿では,マルチステップの電力系統状態推定をリアルタイムに正確に予測するエンドツーエンドのディープラーニングフレームワークを提案する。 双方向ゲートリカレントユニット(BiGRU)をモデルに組み込んで高い予測精度を実現する。
  論文  参考訳（メタデータ） (2023-05-22T16:46:37Z)
• DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks [1.3342521220589318]
  ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。 本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-15T16:26:03Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
  人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。 このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
  論文  参考訳（メタデータ） (2022-08-30T20:16:17Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。