核心概念
BPINNは、IBRによる不確実性下で優れたシステム同定を実現する。
要約
この論文では、Bayesian Physics-informed Neural Networks(BPINN)を使用して、インバーター主導電力システムのシステム同定を探求しました。SMIBからIEEE 118バスシステムまでのさまざまなグリッドでBPINNのパフォーマンスを評価しました。結果として、SINDyおよびPINNに比べてBPINNが優れた推定エラーを達成しました。また、事前トレーニングと転移学習がトレーニングイテレーション数や必要データ量を削減することが示されました。
Introduction:
- インバーター主導電力システムにおける不確実性の増加に対処するために、BPINNの性能評価が重要。
- SMIBからIEEE 118バスシステムまでのさまざまなグリッドでBPINNのパフォーマンスを検証。
Methodology:
- ニューラルネットワークとPINNの拡張から始めて、BPINNとその不確実性量子化能力を紹介。
- システムパラメータλおよび状態xの推定方法について説明。
Results:
- SINDyおよびPINNに比べて、BPINNはIBR下で優れた推定エラーを達成。
- 転移学習はトレーニングイテレーション数や必要データ量を削減する効果的な手法。
統計
BPINNはSINDyおよびPINNに比べて10〜90倍低い推定エラーを達成。
事前トレーニングと転移学習はトレーニングイテレーション数や必要データ量を削減。
引用
"The BPINN achieved lower estimation errors compared to the widely popular system identification method SINDy by a factor of 10 up to 90 in presence of IBRs."
"Transfer learning is beneficial in BPINN training to reduce the number of iterations and the amount of required data."