文献

J-GLOBAL ID：202002260140192958   整理番号：20A0811940

ノンパラメトリックBayesモデリングと推論によるデータ駆動確率的最適電力潮流【JST・京大機械翻訳】

Data-Driven Probabilistic Optimal Power Flow With Nonparametric Bayesian Modeling and Inference

著者 (4件)： Sun Weigao (School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China) ,  Zamani Mohsen (School of Electrical Engineering and Computing, University of Newcastle, Callaghan, NSW, Australia) ,  Hesamzadeh Mohammad Reza (Department of Electric Power and Energy Systems, KTH Royal Institute of Technology, Stockholm, Sweden) ,  Zhang Hai-Tao (School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China)
資料名： IEEE Transactions on Smart Grid  (IEEE Transactions on Smart Grid)
巻： 11  号： 2  ページ： 1077-1090  発行年： 2020年 
JST資料番号： W2294A  ISSN： 1949-3053  CODEN： ITSGBQ  資料種別： 逐次刊行物 (A)
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,確率的最適電力潮流(POPF)のためのデータ駆動アルゴリズムを提案した。特に,Dirichlet過程混合モデル(DPMM)と変分Bayes推定(VBI)に基づく非パラメトリックBayesフレームワークを開発し,電力系統における風力発電と負荷電力に含まれる不確実性を捉える確率モデルを確立した。提案した構成において,混合モデルにおける構成要素の数は,一貫して更新したデータから自動的に,解析的に得ることができた。さらに,得られたDPMMからサンプルを引き出す効率的な準モンテカルロサンプリング法を開発し,次に動的データ駆動POPFアルゴリズムを提案した。公的に利用可能なデータセットに関する不確実性モデリングフレームワークの性能を,広範な数値シミュレーションによって調べた。さらに,提案したPOPFアルゴリズムを複数のIEEEベンチマーク電力系統で検証した。数値結果は,高レベルの不確実性を有する電力系統におけるより良い情報化意思決定のために提案したDPMMベースのPOPFアルゴリズムの実現可能性と優位性を示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 負電荷 ,  風力発電 ,  ベンチマーク ,  電力系統 ,  意思決定 ,  *ノンパラメトリック法 ,  確率モデル ,  アルゴリズム ,  IEEE ,  不確実性
準シソーラス用語： 数値シミュレーション ,  変分Bayes推定 ,  混合モデル ,  Dirichlet過程 ,  *データ駆動 , 【Automatic Indexing@JST】

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (6件)： ノンパラメトリック ,  モデリング ,  推論 ,  データ駆動 ,  確率 ,  最適電力潮流