Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2412.06940

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2412.06940 (cs)
[提交于 2024年12月9日 ]

标题: 数字孪生赋能的电力系统电压控制

标题: Digital Twin-Empowered Voltage Control for Power Systems

Authors:Jiachen Xu, Yushuai Li, Torben Bach Pedersen, Yuqiang He, Kim Guldstrand Larsen, Tianyi Li
摘要: 新兴的数字孪生技术有潜力彻底改变电力系统的电压控制。 然而,当前的数字孪生方法在计算和采样效率方面存在不足,这限制了其应用。 为了解决这个问题,我们提出了一种Gumbel-一致性数字孪生(GC-DT)方法,通过提高计算和采样效率来增强电压控制。 首先,所提出的方法结合了一种基于Gumbel的策略改进,利用Gumbel-top技巧来增强非重复采样动作,并减少对蒙特卡洛树搜索模拟的依赖,从而提高计算效率。 其次,一致性损失函数将预测的隐藏状态与潜在空间中的实际隐藏状态对齐,从而提高预测准确性和采样效率。 在IEEE 123节点、34节点和13节点系统上的实验表明,所提出的GC-DT在计算和采样效率方面均优于最先进的DT方法。
摘要: Emerging digital twin technology has the potential to revolutionize voltage control in power systems. However, the state-of-the-art digital twin method suffers from low computational and sampling efficiency, which hinders its applications. To address this issue, we propose a Gumbel-Consistency Digital Twin (GC-DT) method that enhances voltage control with improved computational and sampling efficiency. First, the proposed method incorporates a Gumbel-based strategy improvement that leverages the Gumbel-top trick to enhance non-repetitive sampling actions and reduce the reliance on Monte Carlo Tree Search simulations, thereby improving computational efficiency. Second, a consistency loss function aligns predicted hidden states with actual hidden states in the latent space, which increases both prediction accuracy and sampling efficiency. Experiments on IEEE 123-bus, 34-bus, and 13-bus systems demonstrate that the proposed GC-DT outperforms the state-of-the-art DT method in both computational and sampling efficiency.
评论: 6页,1图,会议论文
主题: 机器学习 (cs.LG) ; 信号处理 (eess.SP)
引用方式: arXiv:2412.06940 [cs.LG]
  (或者 arXiv:2412.06940v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2412.06940
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Jiachen Xu [查看电子邮件]
[v1] 星期一, 2024 年 12 月 9 日 19:33:07 UTC (889 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-12
切换浏览方式为:
cs.LG
eess
eess.SP

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号