論文の概要: Coherent Load Profile Synthesis with Conditional Diffusion for LV Distribution Network Scenario Generation

• arxiv url: http://arxiv.org/abs/2510.12832v1
• Date: Mon, 13 Oct 2025 08:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.343632
• Title: Coherent Load Profile Synthesis with Conditional Diffusion for LV Distribution Network Scenario Generation
• Title（参考訳）: LV分散ネットワークシナリオ生成のための条件拡散を用いたコヒーレント負荷プロファイル合成
• Authors: Alistair Brash, Junyi Lu, Bruce Stephen, Blair Brown, Robert Atkinson, Craig Michie, Fraser MacIntyre, Christos Tachtatzis,
• Abstract要約: ロードプロファイリングのアプローチは、典型的なプロファイルを通じて需要をまとめることに依存することが多い。 最終的に高電圧レベルのネットワーク操作に影響を及ぼすサブステーション間の共振は、しばしば見過ごされる。 低電圧分布サブステーションレベルでの日々のアクティブおよび反応性パワープロファイルの合成のための条件拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 1.9248772611306222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Limited visibility of power distribution network power flows at the low voltage level presents challenges to both distribution network operators from a planning perspective and distribution system operators from a congestion management perspective. Forestalling these challenges through scenario analysis is confounded by the lack of realistic and coherent load data across representative distribution feeders. Load profiling approaches often rely on summarising demand through typical profiles, which oversimplifies the complexity of substation-level operations and limits their applicability in specific power system studies. Sampling methods, and more recently generative models, have attempted to address this through synthesising representative loads from historical exemplars; however, while these approaches can approximate load shapes to a convincing degree of fidelity, the co-behaviour between substations, which ultimately impacts higher voltage level network operation, is often overlooked. This limitation will become even more pronounced with the increasing integration of low-carbon technologies, as estimates of base loads fail to capture load diversity. To address this gap, a Conditional Diffusion model for synthesising daily active and reactive power profiles at the low voltage distribution substation level is proposed. The evaluation of fidelity is demonstrated through conventional metrics capturing temporal and statistical realism, as well as power flow modelling. The results show synthesised load profiles are plausible both independently and as a cohort in a wider power systems context. The Conditional Diffusion model is benchmarked against both naive and state-of-the-art models to demonstrate its effectiveness in producing realistic scenarios on which to base sub-regional power distribution network planning and operations.
• Abstract（参考訳）: 低電圧レベルでの配電系統の電力フローの可視性は,計画の観点からは配電系統の運用者,混雑管理の観点からは配電系統の運用者の両方に課題を呈している。 シナリオ分析によるこれらの課題の解決は、代表的な流通供給者間での現実的で一貫性のある負荷データの欠如によって確立される。 負荷プロファイリングアプローチは、しばしば典型的なプロファイルを通して需要をまとめることに依存し、これはサブステーションレベルの演算の複雑さを過度に単純化し、特定の電力システム研究におけるそれらの適用性を制限する。 サンプリング法やより最近の生成モデルでは、歴史的な例から代表負荷を合成することでこの問題に対処しようと試みているが、これらの手法は負荷形状をある程度の忠実度に近似することができる一方で、最終的に高電圧レベルのネットワーク操作に影響を及ぼすサブステーション間の共振器はしばしば見過ごされる。 この制限は、ベース負荷の推定値が負荷の多様性を捉えるのに失敗するため、低炭素技術の統合が増加するにつれてさらに顕著になる。 このギャップに対処するために、低電圧分布サブステーションレベルで日々のアクティブおよび反応性のパワープロファイルを合成するための条件拡散モデルを提案する。 時間的および統計的リアリズムを計測する従来のメトリクスと、電力フローのモデリングにより、忠実度の評価を実証する。 その結果、より広い電力系統のコンテキストにおいて、合成負荷プロファイルは独立に、そしてコホートとして、もっとも有用であることが示された。 Conditional Diffusion Modelは、非地域電力分配ネットワークの計画と運用を基盤とする現実的なシナリオを生成する上での有効性を示すために、単純かつ最先端のモデルの両方に対してベンチマークされる。

関連論文リスト

• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Constrained Diffusion Models for Synthesizing Representative Power Flow Datasets [0.0]
  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。
  論文  参考訳（メタデータ） (2025-06-12T20:39:28Z)
• Parallelly Tempered Generative Adversarial Nets: Toward Stabilized Gradients [7.94957965474334]
  生成的敵対ネットワーク(GAN)は、生成的人工知能(AI)における代表的バックボーンモデルである。 本研究は,モード崩壊の存在下でのトレーニングの不安定性と非効率性を,対象分布におけるマルチモーダルにリンクすることで解析する。 新たに開発したGAN目標関数により, 生成元は同時に全ての誘電分布を学習することができる。
  論文  参考訳（メタデータ） (2024-11-18T18:01:13Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Distributional Refinement Network: Distributional Forecasting via Deep Learning [0.8142555609235358]
  アクチュエータモデリングにおける重要なタスクは、損失の分布特性をモデル化することである。 本稿では,本質的に解釈可能なベースラインモデルとフレキシブルニューラルネットワークを組み合わせた分散リファインメントネットワーク(DRN)を提案する。 DRNは、全ての量子化の様々な効果を捉え、適切な解釈性を維持しながら予測性能を向上させる。
  論文  参考訳（メタデータ） (2024-06-03T05:14:32Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Efficient Generative Modeling via Penalized Optimal Transport Network [1.8079016557290342]
  本稿では,Wartherally-penalized Wasserstein (MPW) 距離に基づく多目的深部生成モデルを提案する。 MPW距離を通じて、POTNetは、低次元の辺縁情報を利用して、関節分布の全体的アライメントを導出する。 我々は,MPW損失の一般化誤差に基づく非漸近的境界を導出し,POTNetで学習した生成分布の収束率を確立する。
  論文  参考訳（メタデータ） (2024-02-16T05:27:05Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
  本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。 我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
  論文  参考訳（メタデータ） (2020-07-29T07:31:33Z)

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。