論文の概要: AC Power Flow Contingency Analysis Using a Single Deep Neural Network

• arxiv url: http://arxiv.org/abs/2609.30859v1
• Date: Fri, 25 Sep 2026 06:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.252496
• Title: AC Power Flow Contingency Analysis Using a Single Deep Neural Network
• Title（参考訳）: 単一深部ニューラルネットワークを用いた交流潮流のコンテンシティ解析
• Abstract要約: 本研究は,AC-PFデータのみをベースケースとしてトレーニングした単一MLモデルを再利用し,任意の単一ライン停止下での時間後動作状態を推定するフレームワークを提案する。 提案手法は,時間後状態予測を固定点反復として定式化する。 IEEE 118バスシステム上での数値実験により,提案したSDPの定式化は厳密であり,検証された条件が全ての試験結果に当てはまること,得られた手法が数回の反復で正確な時間後状態推定値を生成することを証明した。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contingency analysis using the AC power flow (AC-PF) model is a critical tool for accurate grid security assessment, but its computational burden increases with the number of operating scenarios and outage configurations to evaluate. Recent ML-based approaches typically require outage-specific training data, leading to offline training costs that scale with the number of contingencies. This work proposes a framework that reuses a single ML model trained solely on basecase AC-PF data to estimate post-contingency operating states under arbitrary single-line outages. The proposed approach formulates post-contingency state prediction as a fixed-point iteration. If the ML model is a deep neural network (DNN), we derive sufficient conditions that guarantee convergence and develop semidefinite programming (SDP) formulations to certify these conditions for a given DNN. Numerical tests on the IEEE 118-bus system demonstrate that the proposed SDP formulations are tight, that the certified conditions hold for all tested contingencies, and that the resulting method produces accurate post-contingency state estimates within only a few iterations.
• Abstract（参考訳）: ACパワーフロー(AC-PF)モデルを用いた並行解析は,正確なグリッドセキュリティ評価を行う上で重要なツールであるが,その計算負担は,運用シナリオの数や停止構成によって増大する。 最近のMLベースのアプローチでは、通常、停止固有のトレーニングデータを必要とする。 本研究は,AC-PFデータのみをベースケースとしてトレーニングした単一MLモデルを再利用し,任意の単一ライン停止下での時間後動作状態を推定するフレームワークを提案する。 提案手法は,時間後状態予測を固定点反復として定式化する。 MLモデルがディープニューラルネットワーク(DNN)である場合、収束を保証する十分な条件を導出し、与えられたDNNに対してこれらの条件を認証する半定値プログラミング(SDP)の定式化を開発する。 IEEE 118バスシステム上での数値実験により,提案したSDPの定式化は厳密であり,検証された条件が全ての試験結果に当てはまること,得られた手法が数回の反復で正確な時間後状態推定値を生成することを証明した。

関連論文リスト

• Risk-Aware Online Conformal State Probing [65.02200443982082]
  オンライン整合状態探索(オンライン整合状態探索、OCSP)は、分布仮定に頼ることなく最悪のケースの信頼性レベルを認定する行動・探索政策である。 OCSPは、リトレーニングや微調整を必要とせずに、既存のバリューベースのコントロールポリシーに適用することができる。
  論文  参考訳（メタデータ） (2026-09-22T08:55:09Z)
• Is the Last Layer Sufficient for Uncertainty Quantification? [13.132499571608868]
  ディープニューラルネットワーク(DNN)に対する疫学的不確実性定量化(UQ)は、ミッションクリティカルな設定でAIを安全に採用するための要件である。 理論的手法と経験的手法の両方を用いて,全ネットワークと最終層線形化から生じるGLMを比較した。 最後の層近似は、計算効率を大幅に向上させながら、同等のUQ性能が得られる。
  論文  参考訳（メタデータ） (2026-05-29T02:09:27Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• Evidential Transformation Network: Turning Pretrained Models into Evidential Models for Post-hoc Uncertainty Estimation [21.687249397347017]
  本研究では,事前学習した予測器を明らかなモデルに変換する軽量なポストホックモジュールであるエビデンシャルトランスフォーメーションネットワーク(ETN)を提案する。 ETNは、精度を保ち、計算オーバーヘッドを最小限に抑えながら、ポストホックベースラインに対する不確実性評価を一貫して改善する。
  論文  参考訳（メタデータ） (2026-04-09T16:09:47Z)
• Scalable and Reliable State-Aware Inference of High-Impact N-k Contingencies [4.588028371034407]
  ACパワーフローやACOPFによる全機能停止組合せの排他的評価は日常的な操作では不可能である。 本稿では,高インパクトな$N!-k$の停止シナリオを直接生成するように設計された,スケーラブルでステートアウェアな並行性推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-10T06:55:59Z)
• Minimum Distance Summaries for Robust Neural Posterior Estimation [7.4716500353679685]
  シミュレーションベース推論(SBI)は、前シミュレーションペア上で神経後部推定器(NPE)をトレーニングすることで、償却ベイズ推論を可能にする。 プリミティブ・ディスタンス・サマリー(minimum-distance summaries)は,プレトレーニング済みのNPEとは独立に,クエリされたテスト時間サマリーを適応するプラグイン・ロバストなNPE手法である。
  論文  参考訳（メタデータ） (2026-02-09T20:06:15Z)
• Approximating Full Conformal Prediction for Neural Network Regression with Gauss-Newton Influence [8.952347049759094]
  我々は、保留データなしで、保留後のニューラルネットワーク回帰器の予測間隔を構築する。 ガウス・ニュートンの影響を利用して1回、局所摂動モデルパラメータを訓練する。
  論文  参考訳（メタデータ） (2025-07-27T13:34:32Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。