Sequence-to-Sequence Forecasting-aided State Estimation for Power Systems

要約

電力システムの状態予測は、最近、リアルタイム運用においてより注目を集めています。
再生可能エネルギー資源の大規模な導入に伴い、エネルギー システムに対する特有の課題が浮上しています。
その結果、現代の電力システムの監視、運用、安全確保のために、電力システムの状態予測がより重要になってきています。
この論文では、マルチステップの電力システム状態推定をリアルタイムで正確に予測するためのエンドツーエンドの深層学習フレームワークを提案します。
私たちのモデルでは、シーケンス間のフレームワークを採用して、複数ステップの予測を可能にします。
双方向ゲート反復ユニット (BiGRU) がモデルに組み込まれており、高い予測精度を実現します。
私たちのモデルの主要なパフォーマンスは、実際のデータセットを使用して検証されます。
実験結果は、既存の代替モデルと比較して、予測力において私たちのモデルの優位性を示しています。

要約(オリジナル)

Power system state forecasting has gained more attention in real-time operations recently. Unique challenges to energy systems are emerging with the massive deployment of renewable energy resources. As a result, power system state forecasting are becoming more crucial for monitoring, operating and securing modern power systems. This paper proposes an end-to-end deep learning framework to accurately predict multi-step power system state estimations in real-time. In our model, we employ a sequence-to-sequence framework to allow for multi-step forecasting. Bidirectional gated recurrent units (BiGRUs) are incorporated into the model to achieve high prediction accuracy. The dominant performance of our model is validated using real dataset. Experimental results show the superiority of our model in predictive power compared to existing alternatives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google