論文の概要: Dynamic Load Model for Data Centers with Pattern-Consistent Calibration

• arxiv url: http://arxiv.org/abs/2602.07859v1
• Date: Sun, 08 Feb 2026 08:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.836484
• Title: Dynamic Load Model for Data Centers with Pattern-Consistent Calibration
• Title（参考訳）: パターン一貫性キャリブレーションを持つデータセンターの動的負荷モデル
• Authors: Siyu Lu, Chenhan Xiao, Yang Weng,
• Abstract要約: 物理に基づく構造とデータ駆動型適応性を活用するフレームワークを開発する。 提案したモデルは、MIT Supercloud、ASU Sol、Blue Waters、ASHRAEデータセットの実際の運用負荷データによって校正される。 ANDESプラットフォームに統合され、IEEE 39-bus、NPCC 140-bus、WECC 179-busシステムで評価される。
• 参考スコア（独自算出の注目度）: 5.822426480384139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of data centers has made large electronic load (LEL) modeling increasingly important for power system analysis. Such loads are characterized by fast workload-driven variability and protection-driven disconnection and reconnection behavior that are not captured by conventional load models. Existing data center load modeling includes physics-based approaches, which provide interpretable structure for grid simulation, and data-driven approaches, which capture empirical workload variability from data. However, physics-based models are typically uncalibrated to facility-level operation, while trajectory alignment in data-driven methods often leads to overfitting and unrealistic dynamic behavior. To resolve these limitations, we design the framework to leverage both physics-based structure and data-driven adaptability. The physics-based structure is parameterized to enable data-driven pattern-consistent calibration from real operational data, supporting facility-level grid planning. We further show that trajectory-level alignment is limited for inherently stochastic data center loads. Therefore, we design the calibration to align temporal and statistical patterns using temporal contrastive learning (TCL). This calibration is performed locally at the facility, and only calibrated parameters are shared with utilities, preserving data privacy. The proposed load model is calibrated by real-world operational load data from the MIT Supercloud, ASU Sol, Blue Waters, and ASHRAE datasets. Then it is integrated into the ANDES platform and evaluated on the IEEE 39-bus, NPCC 140-bus, and WECC 179-bus systems. We find that interactions among LELs can fundamentally alter post-disturbance recovery behavior, producing compound disconnection-reconnection dynamics and delayed stabilization that are not captured by uncalibrated load models.
• Abstract（参考訳）: データセンターの急速な成長により、電力系統解析において大きな電子負荷(LEL)モデリングがますます重要になっている。 このような負荷は、従来の負荷モデルでは捉えられない高速なワークロード駆動の変動と保護駆動の切断と再接続の挙動によって特徴づけられる。 既存のデータセンターの負荷モデリングには、グリッドシミュレーションのための解釈可能な構造を提供する物理ベースのアプローチと、データから経験的なワークロードの変動をキャプチャするデータ駆動アプローチが含まれる。 しかし、物理に基づくモデルは典型的には施設レベルの操作には適さないが、データ駆動方式での軌道アライメントは過度に適合し、非現実的な動的な振る舞いをもたらす。 これらの制限を解決するために、物理に基づく構造とデータ駆動適応性の両方を活用するためのフレームワークを設計する。 物理に基づく構造は、実際の運用データからデータ駆動型パターン一貫性キャリブレーションを可能にするためにパラメータ化され、施設レベルのグリッドプランニングをサポートする。 さらに、トラジェクトリレベルのアライメントは、本質的に確率的なデータセンター負荷に対して制限されていることを示す。 そこで我々は,時間的コントラスト学習(TCL)を用いて時間的・統計的パターンを整列させるキャリブレーションを設計した。 この校正は、施設内でローカルに行われ、校正されたパラメータのみがユーティリティと共有され、データのプライバシが保護される。 提案された負荷モデルは、MIT Supercloud、ASU Sol、Blue Waters、ASHRAEデータセットの実際の運用負荷データによって調整される。 その後、ANDESプラットフォームに統合され、IEEE 39-bus、NPCC 140-bus、WECC 179-busシステムで評価される。 LEL間の相互作用は, 破壊後の回復挙動を根本的に変えることができ, 複合解離・再接続のダイナミクスと非校正負荷モデルでは得られない遅延安定化を生じる。

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)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
  我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。 我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。 その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
  本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。 FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。 拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。 その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-29T10:33:07Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• 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)

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。