論文の概要: Constrained Diffusion Models for Synthesizing Representative Power Flow Datasets

• arxiv url: http://arxiv.org/abs/2506.11281v2
• Date: Mon, 25 Aug 2025 04:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 14:31:50.731552
• Title: Constrained Diffusion Models for Synthesizing Representative Power Flow Datasets
• Title（参考訳）: 代表的潮流データセットの合成のための制約付き拡散モデル
• Authors: Milad Hoseinpour, Vladimir Dvorkin,
• Abstract要約: 電力システムの機械学習モデルのトレーニングには、高品質な電力フローデータセットが不可欠である。 セキュリティとプライバシーに関する懸念は、現実世界のデータへのアクセスを制限する。 本研究では,実世界の電力グリッドから合成電力フローデータセットを生成する拡散モデルを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: High-quality power flow datasets are essential for training machine learning models in power systems. However, security and privacy concerns restrict access to real-world data, making statistically accurate and physically consistent synthetic datasets a viable alternative. We develop a diffusion model for generating synthetic power flow datasets from real-world power grids that both replicate the statistical properties of the real-world data and ensure AC power flow feasibility. To enforce the constraints, we incorporate gradient guidance based on the power flow constraints to steer diffusion sampling toward feasible samples. For computational efficiency, we further leverage insights from the fast decoupled power flow method and propose a variable decoupling strategy for the training and sampling of the diffusion model. These solutions lead to a physics-informed diffusion model, generating power flow datasets that outperform those from the standard diffusion in terms of feasibility and statistical similarity, as shown in experiments across IEEE benchmark systems.
• Abstract（参考訳）: 電力システムの機械学習モデルのトレーニングには、高品質な電力フローデータセットが不可欠である。 しかし、セキュリティとプライバシに関する懸念は現実世界のデータへのアクセスを制限し、統計的に正確で物理的に一貫した合成データセットが有効な代替手段となる。 本研究では,実世界の電力グリッドから合成電力フローデータセットを生成する拡散モデルを構築し,実世界のデータの統計的特性を再現し,交流電力フローの実現性を確保する。 この制約を強制するために、電力フロー制約に基づく勾配ガイダンスを組み込んで、実効性のあるサンプルに対するスタイア拡散サンプリングを行う。 計算効率向上のために, 高速脱結合電力流法の知見を更に活用し, 拡散モデルのトレーニングとサンプリングのための可変脱結合戦略を提案する。 これらの解は物理インフォームド拡散モデルに導かれ、IEEEベンチマークシステムにおける実験で示されているように、標準拡散法と統計的類似性の観点から、標準拡散法より優れたパワーフローデータセットを生成する。

関連論文リスト

• Constraint-Guided Prediction Refinement via Deterministic Diffusion Trajectories [7.279433512595361]
  本稿では,拡散拡散DDIMを誘導する制約認識のための汎用フレームワークを提案する。 本手法は,事前学習による拡散軌道を反復的に改良し,制約補正により拡張する。
  論文  参考訳（メタデータ） (2025-06-15T17:02:07Z)
• Generative Modeling of Random Fields from Limited Data via Constrained Latent Flow Matching [0.0]
  深層生成モデルは、科学と工学のための有望なツールであるが、その豊富な高品質のデータへの依存は適用性を制限する。 本稿では,限定的,スパース的,間接的データを補うために,ドメイン知識を取り入れたランダムフィールドの生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-19T11:47:44Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Synthetic Power Flow Data Generation Using Physics-Informed Denoising Diffusion Probabilistic Models [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-24T02:53:22Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Training-Free Constrained Generation With Stable Diffusion Models [45.138721047543214]
  安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。 本稿では,安定拡散モデルと制約付き最適化フレームワークの新たな統合を提案する。 このアプローチの有効性は、精密な形態計測特性の付着を必要とする材料設計実験によって実証される。
  論文  参考訳（メタデータ） (2025-02-08T16:11:17Z)
• xTED: Cross-Domain Adaptation via Diffusion-Based Trajectory Editing [21.37585797507323]
  ドメイン間政策伝達手法は主に、ポリシー学習を容易にするために、ドメインの対応や修正を学習することを目的としている。 本稿では,クロスドメイントラジェクトリ適応のために特別に設計された拡散モデルを用いたクロスドメイントラジェクトリ・EDitingフレームワークを提案する。 提案するモデルアーキテクチャは,対象データ内の動的パターンだけでなく,状態,行動,報酬間の複雑な依存関係を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-09-13T10:07:28Z)
• SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
  我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。 本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
  論文  参考訳（メタデータ） (2024-03-28T14:07:13Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
  本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。 提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
  論文  参考訳（メタデータ） (2024-02-05T22:18:16Z)
• Steering Language Generation: Harnessing Contrastive Expert Guidance and Negative Prompting for Coherent and Diverse Synthetic Data Generation [0.0]
  大規模言語モデル(LLM)は、高品質で実用性の高い合成データを生成する大きな可能性を秘めている。 本稿では,細調整された言語モデルと基本言語モデルのロジット分布の違いを強調する,対照的な専門家指導を紹介する。 STEER: Embedding Repositioningによるセマンティックテキストの強化。
  論文  参考訳（メタデータ） (2023-08-15T08:49:14Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。