論文の概要: Bayesian Distribution System State Estimation with Flow Matching

• arxiv url: http://arxiv.org/abs/2610.40728v1
• Date: Thu, 29 Oct 2026 10:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.451241
• Title: Bayesian Distribution System State Estimation with Flow Matching
• Title（参考訳）: 流れマッチングによるベイズ分布系の状態推定
• Abstract要約: 中電圧給電装置用ポジショニングポジショニング(後部サンプリング,状態推定)を提案する。 PoSEは、配信システムオペレータが知らないこと、すなわちサブステーションインジェクションの分散のみを学ぶ。 すべての推定器の最も低い注入、電圧、分岐電流誤差を与える。
• 参考スコア（独自算出の注目度）: 1.5839621757142595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medium-voltage feeders have few real-time measurements, so distribution system state estimation (DSSE) rests on pseudo-measurements of the secondary substations, a prior in Bayesian terms. Weighted least squares keeps the power flow exact but reduces this prior to a mean and variance, while supervised deep learning estimators also learn the power flow and are tied to one measurement set. We propose PoSE (posterior sampling for state estimation), which keeps the Bayesian structure of DSSE and learns only what the distribution system operator does not know, namely the distribution of substation injections, modelled by a neural network trained with flow matching on historical data. The power flow equations, grid topology and measurements enter only at sampling, through a noise-aware Kalman-type correction. The neural network therefore never approximates the power flow, but every posterior sample is a physically consistent operating point, and one trained prior serves any measurement set, noise level and topology. On the IEEE 33-bus feeder, PoSE lowers the probabilistic injection error (CRPS) by 6.7-7.5% against a full-covariance Gaussian prior in all 12 tested settings. It provides reliable uncertainty: the 90% intervals contain the true injection almost exactly as often as exact posterior samples would, whereas those of supervised estimators contain it in only 37-78% of cases. On the 240-bus unbalanced three-phase Iowa feeder, it gives the lowest injection, voltage and branch-current errors of all estimators. A fast variant matches this accuracy at 0.2-0.6s per snapshot and, without retraining, beats Gaussian priors and retrained supervised estimators on seven reconfigured topologies.
• Abstract（参考訳）: 中電圧供給装置はリアルタイム測定をほとんど行わないため、分散系状態推定(DSSE)はバイエルン語で先行する二次変電所の擬似測定に依存する。 重み付き最小二乗は電力の流れを正確に保っているが、これは平均と分散に先立って減少し、教師付きディープラーニング推定器も電力の流れを学習し、1つの測定セットに結びついている。 本稿では,DSSE のベイズ構造を維持した PoSE (posterior sample for state estimation) を提案する。これは分布系オペレーターが知らないこと,すなわち,過去のデータに基づいてフローマッチングを学習したニューラルネットワークによってモデル化されたサブステーションインジェクションの分布のみを学習する。 パワーフロー方程式、グリッドトポロジー、および測定は、ノイズ対応カルマン型補正によってサンプリング時にのみ入力される。 したがって、ニューラルネットワークは電力の流れを近似することはないが、すべての後方サンプルは物理的に一貫した操作点であり、事前訓練された1つはあらゆる測定セット、ノイズレベル、トポロジーを提供する。 IEEE 33-bus フィードでは、PoSE は全12テスト設定でフル共分散ガウスに対して確率的インジェクションエラー (CRPS) を 6.7-7.5% 下げている。 90%の間隔は、正確な後部サンプルとほぼ同じ頻度で真の注入を含むが、教師付き推定器は37-78%のケースでそれを含む。 240バスの非平衡3相のアイオワ供給装置では、全ての推定器の最も低い噴射、電圧、分岐電流の誤差を与える。 高速な変種はこの精度をスナップショット当たり0.2-0.6秒で一致させ、再トレーニングなしでガウスの先行値と7つの再構成トポロジ上の教師付き推定値に打ち勝つ。

関連論文リスト

• Conformalized Physics-Informed Weak Regression for Parameter Estimation in Epidemic Models [0.0]
  感染症の比較モデルは、しばしば物理的パラメータ、製品またはそれらの比率である係数において線形である。 これを閉形式最小二乗で利用し、分布のない不確実性を推定する。 物理インフォームド・リグレッション(PIWR)を導入し,その代わりにモデルを統合する。
  論文  参考訳（メタデータ） (2026-10-13T18:55:22Z)
• PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
  PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。 ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
  論文  参考訳（メタデータ） (2026-09-17T17:54:12Z)
• MoRF-AST: Calibrated Probabilistic Virtual Sensing for Structural Monitoring under Changing Operating Conditions [10.208843473977094]
  本研究では,モーダル残留流マッチングとコンテキスト依存型アフィンスプレッドトランスポート (MoRF-AST) を併用した構造仮想センシング手法を提案する。 MoRFは2つの直接条件流に対して16.1%と17.9%に対して、後平均根平均二乗誤差(NRMSE)が7.20%に達する。
  論文  参考訳（メタデータ） (2026-08-25T13:16:59Z)
• You Only Flow Once: Calibrated and Real-Time Radar Pose Estimation with Multi-Hypothesis Normalizing Flows [5.241472125982733]
  レーダーポイントの雲は、しばしば複数の可視的な人間のポーズに対応し、決定論的ポーズ推定を根本的に不適切にする。 拡散に基づく代替手段は、多相分布をモデル化できるが、各分布サンプルに対してコストがかかる。 条件付きフローバックボーンを用いて,レーダ点雲からの分布をモデル化したMH-Gを提案する。
  論文  参考訳（メタデータ） (2026-08-10T13:15:09Z)
• Mind the Residual Gap: Probabilistic Downscaling under Real-World Bias [11.400279490725042]
  確率的なダウンスケーリングは、大気科学、気候モデリング、その他のマルチスケール物理システムにとって重要な課題である。 広く使われているパラダイムは、問題を決定論的平均予測器に分解し、続いて残留発生器に分解する。 本研究は,根本原因が標的誤診であり,訓練中に誘発される残差分布は,下降バイアスにより試験時間に要求されるものと体系的に異なることを示す。
  論文  参考訳（メタデータ） (2026-06-29T18:47:34Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Bayesian optimized deep ensemble for uncertainty quantification of deep neural networks: a system safety case study on sodium fast reactor thermal stratification modeling [10.055838489452817]
  ディープ・アンサンブルはディープ・ニューラルネットワーク(DNN)における不確実性定量化(UQ)のための効率的でスケーラブルな方法である 本稿では,ベイズ最適化(BO)とBODEと呼ばれるDDEを組み合わせることによって,予測精度とUQを両立させる手法を提案する。 計算流体力学(CFD)データに基づいて学習したDensely Connected Convolutional Neural Network (DCNN) のケーススタディにBODEを適用し, 高速炉熱成層モデルにおける渦粘度を予測する。
  論文  参考訳（メタデータ） (2024-12-11T21:06:50Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)

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。