Fugu-MT 論文翻訳(概要): Operator Learning for Power Systems Simulation

論文の概要: Operator Learning for Power Systems Simulation

arxiv url: http://arxiv.org/abs/2510.09704v1
Date: Thu, 09 Oct 2025 21:10:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-14 18:06:29.571796
Title: Operator Learning for Power Systems Simulation
Title（参考訳）: 電力系統シミュレーションのための演算子学習
Authors: Matthew Schlegel, Matthew E. Taylor, Mostafa Farrokhabadi,
Abstract要約: オペレータ学習(Operator Learning)は、関数間のマッピングを学習する機械学習手法のファミリーである。時間領域シミュレーションは電力系統の安定性と動的性能を研究・向上するための重要なツールである。本稿では、粗い時間ステップで訓練されたモデルから微細分解能力学への一般化を可能にするシミュレーション時間ステップ不変性の概念について検討する。
参考スコア（独自算出の注目度）: 9.317239577584411
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Time domain simulation, i.e., modeling the system's evolution over time, is a crucial tool for studying and enhancing power system stability and dynamic performance. However, these simulations become computationally intractable for renewable-penetrated grids, due to the small simulation time step required to capture renewable energy resources' ultra-fast dynamic phenomena in the range of 1-50 microseconds. This creates a critical need for solutions that are both fast and scalable, posing a major barrier for the stable integration of renewable energy resources and thus climate change mitigation. This paper explores operator learning, a family of machine learning methods that learn mappings between functions, as a surrogate model for these costly simulations. The paper investigates, for the first time, the fundamental concept of simulation time step-invariance, which enables models trained on coarse time steps to generalize to fine-resolution dynamics. Three operator learning methods are benchmarked on a simple test system that, while not incorporating practical complexities of renewable-penetrated grids, serves as a first proof-of-concept to demonstrate the viability of time step-invariance. Models are evaluated on (i) zero-shot super-resolution, where training is performed on a coarse simulation time step and inference is performed at super-resolution, and (ii) generalization between stable and unstable dynamic regimes. This work addresses a key challenge in the integration of renewable energy for the mitigation of climate change by benchmarking operator learning methods to model physical systems.
Abstract（参考訳）: 時間領域シミュレーション、すなわち時間の経過とともにシステムの進化をモデル化することは、システムの安定性と動的性能を研究・向上するための重要なツールである。しかし、これらのシミュレーションは再生可能エネルギー資源の超高速な力学現象を1-50マイクロ秒の範囲で捉えるのに必要な小さなシミュレーション時間ステップのために、再生可能格子の計算に難航する。これにより、高速かつスケーラブルなソリューションに対する重要なニーズが生まれ、再生可能エネルギー資源の安定した統合と気候変動の緩和の大きな障壁となる。本稿では,これらのコストのかかるシミュレーションの代用モデルとして,関数間のマッピングを学習する機械学習手法のファミリである演算子学習について検討する。本論文は, シミュレーション時間ステップ不変性の基本概念を初めて考察し, 粗い時間ステップで訓練されたモデルから微細分解能力学への一般化を可能にするものである。 3つの演算子学習方法は、再生可能格子の実用的複雑さを取り入れない単純なテストシステム上でベンチマークされ、時間ステップ不変性を示す最初の概念実証として機能する。モデルは評価される一ゼロショット超解像であって、粗いシミュレーションタイムステップでトレーニングを行い、超解像時に推論を行うもの (II)安定状態と不安定状態の間の一般化。本研究は,物理システムをモデル化するための演算子学習手法のベンチマークにより,気候変動の緩和に向けた再生可能エネルギーの統合における重要な課題に対処する。

関連論文リスト

From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文参考訳（メタデータ） (2025-09-25T14:15:43Z)
Machine Learning for Physical Simulation Challenge Results and Retrospective Analysis: Power Grid Use Case [5.382597165456225]
本稿では電力グリッドシミュレーションの計算課題の増大、特に風や太陽といった再生可能エネルギー源の統合の増大に対処する。これに取り組むために、少なくとも1桁のオーダーで電力フローシミュレーションを加速するAI駆動の手法を開発するために、競争が組織された。本稿では、ML4PhySim(Machine Learning for Physical Simulation)コンペティションの概要と、ベンチマークスイートの詳細、トップパフォーマンスソリューションの分析について述べる。
論文参考訳（メタデータ） (2025-05-02T09:58:27Z)
MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。 MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文参考訳（メタデータ） (2023-04-27T09:11:40Z)
Environment Transformer and Policy Optimization for Model-Based Offline Reinforcement Learning [25.684201757101267]
本研究では環境変換器と呼ばれる不確実性を考慮したシーケンスモデリングアーキテクチャを提案する。遷移力学と報酬関数の正確なモデリングにより、環境変換器は任意の計画、動的プログラミング、オフラインRLのためのポリシー最適化アルゴリズムと組み合わせることができる。
論文参考訳（メタデータ） (2023-03-07T11:26:09Z)
Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文参考訳（メタデータ） (2022-11-03T14:49:02Z)
Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文参考訳（メタデータ） (2022-10-23T00:45:05Z)
Analyzing and Enhancing Closed-loop Stability in Reactive Simulation [25.27603440925488]
本研究では,シミュレーションと現実の交通シナリオ間の人間の行動ギャップを埋める新しいリアクティブ・シミュレーション・フレームワークを提案する。まず、シミュレーション状態列の滑らかさと一貫性が安定性の重要な要因となる新しい反応性シミュレーションフレームワークを提案する。次に、反応シミュレーションの閉ループ安定性を改善するために、キネマティック車両モデルをフレームワークに組み込む。
論文参考訳（メタデータ） (2022-08-09T06:31:35Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。