論文の概要: Safety Screening for Voltage Control in Active Distribution Grids via Distributionally Robust Conformal Screening

• arxiv url: http://arxiv.org/abs/2608.30889v1
• Date: Mon, 31 Aug 2026 14:43:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.452282
• Title: Safety Screening for Voltage Control in Active Distribution Grids via Distributionally Robust Conformal Screening
• Title（参考訳）: 分散ロバスト・コンフォーマル・スクリーニングによるアクティブ配電系統の電圧制御の安全スクリーニング
• Abstract要約: 履歴データと命名シミュレータを用いた新しい制御ポリシの事前デプロイ,シナリオ・バイ・シナリオ・スクリーニングのためのポリシに依存しないフレームワーク。 DR-CSSは、既存の制御ポリシからの履歴データを、新しいポリシの事前デプロイ安全スクリーニングのための不完全なシミュレータと組み合わせた、電力システムにおける最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deploying a new control policy for voltage control in active distribution grids requires evidence that physical limits will be satisfied before the policy is tested on the physical grid. This assessment is difficult for two reasons. First, simulations cannot capture every disturbance, modeling error, and device interaction present in the real grid. Second, historical measurements reflect operation under existing control policies, whereas a new policy may drive the grid into different operating conditions. To address these challenges, we propose Distributionally Robust Conformal Safety Screening (DR-CSS), a policy-agnostic framework for pre-deployment, scenario-by-scenario screening of a new control policy using historical data and a nominal simulator. For each new scenario, the simulator predicts a future voltage trajectory for the whole grid; DR-CSS then constructs a conformal safety interval around this prediction using historical simulation-to-reality errors. The interval is further enlarged to account for closed-loop changes induced by the deployment of the new policy and its interactions with the remaining controllers. To the best of our knowledge, DR-CSS is the first framework in power systems to combine historical data from an existing control policy with an imperfect simulator for pre-deployment safety screening of a new policy. Experiments on the IEEE 33-bus and IEEE 141-bus systems evaluate the deployment of learning-based voltage control policies and show that DR-CSS identifies all unsafe test scenarios. To reduce unnecessary warnings on safe scenarios, we adapt the safety intervals to different operating conditions and gradually introduce new policies with recalibration after each stage. These extensions increase the informational value of the safety screening and support safer deployment decisions in active distribution grids.
• Abstract（参考訳）: アクティブ配電網に電圧制御のための新しい制御ポリシーを配置するには、物理グリッド上でポリシーがテストされる前に物理的な制限が満たされる証拠が必要である。 この評価は2つの理由から難しい。 まず、シミュレーションは、実際のグリッドに存在するあらゆる障害、モデリングエラー、デバイス間の相互作用をキャプチャできない。 第二に、過去の測定は既存の制御ポリシーの下での操作を反映するが、新しいポリシーはグリッドを異なる操作条件に導く可能性がある。 これらの課題に対処するため,従来のデータを用いた新しい制御ポリシのシナリオ・バイ・シナリオ・スクリーニングと,命名型シミュレータを用いたポリシ・アノスティック・フレームワークであるDistributedally Robust Conformal Safety Screening (DR-CSS)を提案する。 新しいシナリオごとに、シミュレータはグリッド全体の将来の電圧軌跡を予測し、DR-CSSは、過去のシミュレーションと現実のエラーを使用して、この予測の周りに共形安全区間を構築する。 インターバルはさらに拡大され、新しいポリシーの展開と残りのコントローラとの相互作用によって引き起こされるクローズドループの変化を考慮に入れられる。 我々の知る限り、DR-CSSは、既存の制御ポリシからの履歴データと、新しいポリシーの事前デプロイ安全スクリーニングのための不完全なシミュレータを結合する、電力システムにおける最初のフレームワークである。 IEEE 33-busとIEEE 141-busシステムの実験は、学習ベースの電圧制御ポリシーの展開を評価し、DR-CSSがすべての安全でないテストシナリオを特定することを示す。 安全シナリオに対する不必要な警告を減らすため、異なる動作条件に安全間隔を適応させ、段階ごとの調整を施した新しいポリシーを徐々に導入する。 これらの拡張は、安全スクリーニングの情報価値を高め、アクティブな配電網における安全な配置決定をサポートする。

関連論文リスト

• From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
  AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。 敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。 実験の結果、最大40.6%のトレーニングステップが短縮された。
  論文  参考訳（メタデータ） (2026-06-12T02:13:55Z)
• Hierarchical Reinforcement Learning with Runtime Safety Shielding for Power Grid Operation [0.0]
  本稿では,電力グリッド運用のための安全制約付き階層制御フレームワークを提案する。 高レベルの強化学習ポリシは抽象的な制御アクションを提案し、決定論的ランタイム安全シールドは安全でないアクションをフィルタリングする。 その結果, 平坦な強化学習政策はストレス下で脆弱であり, 安全性のみの手法は過度に保守的であることがわかった。
  論文  参考訳（メタデータ） (2026-04-15T16:11:10Z)
• Conformal Policy Control [50.46542384484142]
  我々は、安全な参照ポリシーを、最適化されているが未試験のポリシーの確率的規制として使う方法を示す。 保守的な最適化方法とは異なり、ユーザーが正しいモデルクラスを識別したとは仮定しない。 自然言語質問応答から生体分子工学まで,本研究の応用実験は,デプロイ開始当初から安全な探索が可能であることを示唆している。
  論文  参考訳（メタデータ） (2026-03-02T18:54:36Z)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)
• Conformal Object Detection by Sequential Risk Control [3.3274747298291216]
  我々は,任意のデータセットサイズに有効な統計的保証を備えた,ポストホックな予測不確実性定量化手法を開発した。 まず、コンフォーマルオブジェクト検出(COD)の問題を正式に定義する。 コンフォーマルリスク制御の統計的保証を2つのシーケンシャルタスクに拡張する,シークエンシャルコンフォーマルリスク制御(SeqCRC)を提案する。 本稿では,SeqCRCを異なるケースや認定要件に適用するのに適した,古い,新しい損失関数と予測セットを提案する。
  論文  参考訳（メタデータ） (2025-05-29T22:19:01Z)
• Safe Continual Domain Adaptation after Sim2Real Transfer of Reinforcement Learning Policies in Robotics [3.7491742648742568]
  ドメインランダム化(Domain randomization)は、シミュレーションから現実のロボットアプリケーションへのポリシーの転送を容易にする技術である。 実世界のロボット制御において,安全な配置時ポリシー適用を可能にする手法を提案する。
  論文  参考訳（メタデータ） (2025-03-13T23:28:11Z)
• Probabilistic Reach-Avoid for Bayesian Neural Networks [71.67052234622781]
  最適合成アルゴリズムは、証明された状態の数を4倍以上に増やすことができることを示す。 このアルゴリズムは、平均的な到達回避確率を3倍以上に向上させることができる。
  論文  参考訳（メタデータ） (2023-10-03T10:52:21Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Differentiable Predictive Control with Safety Guarantees: A Control Barrier Function Approach [3.617866023850784]
  我々は、安全性と堅牢性を保証する新しい形態の微分可能予測制御(DPC)を開発した。 DPCは、明示的モデル予測制御(MPC)問題に対する近似解を得るための教師なし学習に基づく手法である。
  論文  参考訳（メタデータ） (2022-08-03T19:24:44Z)
• Multi-Objective SPIBB: Seldonian Offline Policy Improvement with Safety Constraints in Finite MDPs [71.47895794305883]
  オフライン強化学習環境における制約下での安全政策改善(SPI)の問題について検討する。 本稿では,異なる報酬信号に対するトレードオフを扱うアルゴリズムのユーザの好みを考慮した,このRL設定のためのSPIを提案する。
  論文  参考訳（メタデータ） (2021-05-31T21:04:21Z)

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。