論文の概要: Meta-model Neural Process for Probabilistic Power Flow under Varying N-1 System Topologies

• arxiv url: http://arxiv.org/abs/2509.12281v1
• Date: Sun, 14 Sep 2025 15:07:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.677684
• Title: Meta-model Neural Process for Probabilistic Power Flow under Varying N-1 System Topologies
• Title（参考訳）: 変速N-1系トポロジー下における確率的潮流のメタモデルニューラルプロセス
• Authors: Sel Ly, Kapil Chauhan, Anshuman Singh, Hung Dinh Nguyen,
• Abstract要約: トポロジーの変化は、電力の流れのパターンを変え、PPF問題を再び解決する必要がある。 以前のPPFモデルとその解は、新しい位相に対してもはや有効ではない。 本稿では,異なるN-1トポロジの下でのPPF問題の解を求めるための新しいトポロジ適応手法を提案する。
• 参考スコア（独自算出の注目度）: 0.09332987715848712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The probabilistic power flow (PPF) problem is essential to quantifying the distribution of the nodal voltages due to uncertain injections. The conventional PPF problem considers a fixed topology, and the solutions to such a PPF problem are associated with this topology. A change in the topology might alter the power flow patterns and thus require the PPF problem to be solved again. The previous PPF model and its solutions are no longer valid for the new topology. This practice incurs both inconvenience and computation burdens as more contingencies are foreseen due to high renewables and a large share of electric vehicles. This paper presents a novel topology-adaptive approach, based on the meta-model Neural Process (MMNP), for finding the solutions to PPF problems under varying N-1 topologies, particularly with one-line failures. By leveraging context set-based topology representation and conditional distribution over function learning techniques, the proposed MMNP enhances the robustness of PPF models to topology variations, mitigating the need for retraining PPF models on a new configuration. Simulations on an IEEE 9-bus system and IEEE 118-bus system validate the model's performance. The maximum %L1-relative error norm was observed as 1.11% and 0.77% in 9-bus and 118-bus, respectively. This adaptive approach fills a critical gap in PPF methodology in an era of increasing grid volatility.
• Abstract（参考訳）: 不確実な注入による結節電圧分布の定量化には,確率的電力フロー (PPF) の問題が不可欠である。 従来のPPF問題は固定トポロジーを考慮し、そのようなPPF問題の解はこのトポロジーと関連している。 トポロジーの変化は、電力の流れのパターンを変え、PPF問題を再び解決する必要がある。 以前のPPFモデルとその解は、新しい位相に対してもはや有効ではない。 この慣行は、高再生可能エネルギーと電気自動車の大量使用により、より多くの事故が予兆されるため、不便さと計算上の負担の両方を引き起こす。 本稿では,メタモデルニューラル・プロセス(MMNP)に基づく新しいトポロジ適応手法を提案する。 文脈集合に基づくトポロジ表現と関数学習技術による条件分布を利用して,提案したMMNPは,PPFモデルのロバスト性をトポロジ変動に拡張し,新しい構成でPPFモデルを再学習する必要性を緩和する。 IEEE 9-busシステムとIEEE 118-busシステムのシミュレーションは、モデルの性能を検証する。 最大%L1相対誤差ノルムは、それぞれ9-busと118-busで1.11%と0.77%と観測された。 この適応的なアプローチは、グリッドのボラティリティが増大する時代のPPF方法論における重要なギャップを埋める。

関連論文リスト

• Rényi Neural Processes [14.11793373584558]
  ニューラルプロセスは条件付き事前モデルと後続モデルとのパラメータ化結合を強制することを示す。 本稿では,標準KL分散をR'enyi分散に置き換える手法であるR'enyi Neural Processes (RNP)を提案する。 実世界の問題におけるRNPの性能改善について述べる。
  論文  参考訳（メタデータ） (2024-05-25T00:14:55Z)
• Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [57.487936697747024]
  実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:24:56Z)
• 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)
• Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
  本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。 システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
  論文  参考訳（メタデータ） (2023-10-07T15:07:10Z)
• Matching Normalizing Flows and Probability Paths on Manifolds [57.95251557443005]
  連続正規化フロー (Continuous Normalizing Flows, CNFs) は、常微分方程式(ODE)を解くことによって、先行分布をモデル分布に変換する生成モデルである。 我々は,CNFが生成する確率密度パスと目標確率密度パスとの間に生じる新たな分岐系であるPPDを最小化して,CNFを訓練することを提案する。 PPDの最小化によって得られたCNFは、既存の低次元多様体のベンチマークにおいて、その可能性とサンプル品質が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-11T08:50:19Z)
• Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions [18.63828570982923]
  我々は、ac-OPF問題の最適解を予測するために、新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。 NNモデルにグリッドトポロジを組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧等級の局所性特性を利用する。 提案設計の利点は、モデル複雑性の低減、一般化可能性の向上、実現可能性の保証である。
  論文  参考訳（メタデータ） (2022-05-16T23:36:37Z)
• Optimal Transport Based Refinement of Physics-Informed Neural Networks [0.0]
  我々は、最適輸送(OT)の概念に基づく偏微分方程式(PDE)の解法として、よく知られた物理情報ニューラルネットワーク(PINN)の改良戦略を提案する。 PINNの解法は、完全接続された病理のスペクトルバイアス、不安定な勾配、収束と精度の難しさなど、多くの問題に悩まされている。 本稿では,既存の PINN フレームワークを補完する OT-based sample を用いて,Fokker-Planck-Kolmogorov Equation (FPKE) を解くための新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-26T02:51:20Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• 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)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。