文献

J-GLOBAL ID：201602254098772847   整理番号：16A1319457

高速将来格子小信号安定性走査のための機械学習アプローチ【Powered by NICT】

A machine learning approach for fast future grid small-signal stability scanning

著者 (3件)： Liu Ruidong (School of Electrical and Information Engineering, The University of Sydney, Sydney, Australia) ,  Verbic Gregor (School of Electrical and Information Engineering, The University of Sydney, Sydney, Australia) ,  Ma Jin (School of Electrical and Information Engineering, The University of Sydney, Sydney, Australia)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： POWERCON  ページ： 1-6  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,再生可能発電の高い比率を持つ将来の電力系統の小信号安定性研究を行うための新しい高速走査アプローチを提案した。安定性評価は電力系統計画の重要な成分である。今後の送電系統における最も再生可能資源の発電技術多様性と固有の間欠的アベイラビリティに由来して,最悪ケース動作点の限られた数の選択に基づく安定性解析を行うために従来の方法は実行不可能になる。将来のグリッドシナリオの安定性プロファイルを捕捉するための一つの方法は,多数の可能な運転条件を走査することである。しかし,高速走査を達成し,時間のかかる数値研究は,計算可能なものとするに,シミュレーション負荷は低減しなければならない。この目的のために,著者らは長期間にわたって安定性走査を行う際にシミュレーション負担を軽減するために特徴選択および重み付きクラスタリングに基づく高速走査アプローチを提案した。従来ReliefFとK平均法に基づく新しいアルゴリズムを提案した。シミュレーション結果は,提案したアプローチの有効性を示した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： クラスタ化 ,  *機械学習 ,  平均法 ,  アベイラビリティ ,  シミュレーション ,  系統計画 ,  *高速度 ,  安定性解析 ,  電力系統 ,  特徴選択 ,  送電系統 ,  *走査
準シソーラス用語： 運転条件 ,  再生可能資源 ,  安定性評価 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  電力系統一般  (NB02000E)

タイトルに関連する用語 (5件)： 将来 ,  格子 ,  安定性 ,  走査 ,  機械学習