論文の概要: Real-Time Surrogate Modeling for Fast Transient Prediction in Inverter-Based Microgrids Using CNN and LightGBM
- arxiv url: http://arxiv.org/abs/2603.29255v1
- Date: Tue, 31 Mar 2026 04:26:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.150328
- Title: Real-Time Surrogate Modeling for Fast Transient Prediction in Inverter-Based Microgrids Using CNN and LightGBM
- Title（参考訳）: CNNとLightGBMを用いたインバータ型マイクログリッドの高速過渡予測のためのリアルタイムサロゲートモデリング
- Authors: Osasumwen Cedric Ogiesoba-Eguakun, Kaveh Ashenayi, Suman Rath,
- Abstract要約: 本稿では,マイクログリッドの挙動を高速に予測するためのデータ駆動サロゲートモデリングフレームワークを提案する。
モデルはマイクログリッドの高忠実なEMTデジタルツインデータセットでトレーニングされる。
その結果,予測される変数の種類によってモデル性能が変化することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time monitoring of inverter-based microgrids is essential for stability, fault response, and operational decision-making. However, electromagnetic transient (EMT) simulations, required to capture fast inverter dynamics, are computationally intensive and unsuitable for real-time applications. This paper presents a data-driven surrogate modeling framework for fast prediction of microgrid behavior using convolutional neural networks (CNN) and Light Gradient Boosting Machine (LightGBM). The models are trained on a high-fidelity EMT digital twin dataset of a microgrid with ten distributed generators under eleven operating and disturbance scenarios, including faults, noise, and communication delays. A sliding-window method is applied to predict important system variables, including voltage magnitude, frequency, total active power, and voltage dip. The results show that model performance changes depending on the type of variable being predicted. The CNN demonstrates high accuracy for time-dependent signals such as voltage, with an $R^2$ value of 0.84, whereas LightGBM shows better performance for structured and disturbance-related variables, achieving an $R^2$ of 0.999 for frequency and 0.75 for voltage dip. A combined CNN+LightGBM model delivers stable performance across all variables. Beyond accuracy, the surrogate models also provide major improvements in computational efficiency. LightGBM achieves more than $1000\times$ speedup and runs faster than real time, while the hybrid model achieves over $500\times$ speedup with near real-time performance. These findings show that data-driven surrogate models can effectively represent microgrid dynamics. They also support real-time and faster-than-real-time predictions. As a result, they are well-suited for applications such as monitoring, fault analysis, and control in inverter-based power systems.
- Abstract（参考訳）: インバータを用いたマイクログリッドのリアルタイムモニタリングは,安定性,障害応答,運用上の意思決定に不可欠である。
しかし、高速インバータダイナミクスを捉えるのに必要な電磁過渡シミュレーション(EMT)は、計算集約的であり、リアルタイムアプリケーションには適さない。
本稿では、畳み込みニューラルネットワーク(CNN)とLight Gradient Boosting Machine(LightGBM)を用いたマイクログリッド挙動の高速予測のためのデータ駆動サロゲートモデリングフレームワークを提案する。
モデルはマイクログリッドの高忠実なEMTデジタルツインデータセットでトレーニングされ、11のオペレーションシナリオと障害シナリオ(障害、ノイズ、通信遅延など)下で10の分散ジェネレータが使用される。
このスライディングウインドウ法を用いて、電圧等級、周波数、総アクティブパワー、電圧ディップなどの重要なシステム変数を予測する。
その結果,予測される変数の種類によってモデル性能が変化することがわかった。
CNNは電圧などの時間依存信号に対して高い精度でR^2$値が0.84であるのに対し、LightGBMは構造および乱れに関連する変数に対してより良い性能を示し、周波数ではR^2$0.999、電圧ディップでは0.75である。
組み合わせたCNN+LightGBMモデルは、すべての変数に対して安定したパフォーマンスを提供する。
精度以外にも、サロゲートモデルは計算効率を大幅に改善する。
LightGBMは1000ドル以上のスピードアップを達成し、リアルタイムよりも高速に動作し、ハイブリッドモデルは500ドル以上のスピードアップとほぼリアルタイムのパフォーマンスを実現している。
これらの結果は,データ駆動サロゲートモデルがマイクログリッドダイナミクスを効果的に表現できることを示唆している。
また、リアルタイムと高速なリアルタイム予測もサポートする。
その結果, インバータを用いた電力系統の監視, 故障解析, 制御などの応用に適している。
関連論文リスト
- A comparative study of transformer models and recurrent neural networks for path-dependent composite materials [0.0]
短繊維強化複合材料(SFRC)の均質化応答列を学習したリカレントニューラルネットワーク(RNN)と変圧器モデルを比較した。
その結果、トランスフォーマーモデルは大きなデータセットの精度で競争力を維持するが、RNNは小さなデータセットの精度を向上することを示した。
論文 参考訳（メタデータ） (2026-02-17T09:29:54Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - Deep Learning-Based Surrogate Creep Modelling in Inconel 625: A High-Temperature Alloy Study [0.0]
インコネル625のような高温合金のクリープは、航空宇宙やエネルギーシステムで使用されるコンポーネントの長期信頼性の重要な要素である。
本研究は,このようなシミュレーションを高速かつ高精度に置き換えるために,ディープラーニングに基づく代理モデルを提案する。
論文 参考訳（メタデータ） (2025-12-19T11:44:12Z) - Simulation of a closed-loop dc-dc converter using a physics-informed neural network-based model [0.0]
現在、商用の時間領域シミュレーションソフトウェアは、主に電力エレクトロニクスをシミュレートするための物理学に基づく手法に依存している。
近年の研究では、データ駆動型および物理インフォームドラーニング手法により、精度の妥協を限定してシミュレーション速度を向上できることが示されている。
論文 参考訳（メタデータ） (2025-06-23T22:44:56Z) - Probabilistic Emulation of the Community Radiative Transfer Model Using Machine Learning [0.04448495628113797]
我々は機械学習を用いて、コミュニティ放射移動モデル(CRTM)の効率的なニューラルネットワークに基づく確率的エミュレータを構築する。
トレーニングされたNNエミュレータは、CRTMによって出力される輝度温度と、CRTMに対する対応する誤差を予測する。
明確な空条件では、RMSEは10の赤外線チャンネルのうち9つに対して0.1K未満である。
論文 参考訳（メタデータ） (2025-04-22T18:30:43Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳（メタデータ） (2025-04-07T15:38:25Z) - HiRE: High Recall Approximate Top-$k$ Estimation for Efficient LLM
Inference [68.59839755875252]
HiREは2つの新しいコンポーネントから構成される: (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (ii) DA-TOP-$k$: 効率的なマルチデバイス近似トップ-k$演算子) (i) (i) (i) (i) (i) (i) (i) DA-TOP-$k$演算子) 。
我々は、10億のパラメータモデルにおいて、HiREがソフトマックスとフィードフォワード層の両方に適用され、ほぼ一致した事前学習と下流の精度を実現し、1台のTPUv5eデバイスで1.47Times$の推論遅延を高速化することを示した。
論文 参考訳（メタデータ） (2024-02-14T18:04:36Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - 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) - CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural
Network Approach [5.365198933008246]
CSM-NNは、最適化されたニューラルネットワーク構造と処理アルゴリズムを備えたスケーラブルなシミュレーションフレームワークである。
実験によると、CSM-NNはCPU上で動作する最先端のソースモデルベースのシミュレータと比較して、シミュレーション時間を最大6倍に短縮する。
CSM-NNはまた、HSPICEと比較して2%以下の誤差で高い精度のレベルを提供する。
論文 参考訳（メタデータ） (2020-02-13T00:29:44Z)
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。