Szerzői:  (1) Mengshuo Jia, Informatikai és Villamosmérnöki Tanszék, ETH Zürich, Physikstrasse 3, 8092, Zürich, Svájc;  (2) Gabriela Hug, Informatikai és Villamosmérnöki Tanszék, ETH Zürich, Physikstrasse 3, 8092, Zürich, Svájc;  (3) Ning Zhang, Villamosmérnöki Tanszék, Tsinghua Egyetem, Shuangqing Rd 30, 100084, Peking, Kína;  (4) Zhaojian Wang, Automatizálási Tanszék, Shanghai Jiao Tong Egyetem, Dongchuan Rd 800, 200240, Sanghaj, Kína;  (5) Yi Wang, Elektromos és Elektronikai Mérnöki Tanszék, Hongkongi Egyetem, Pok Fu Lam, Hongkong, Kína;  (6) Chongqing Kang, Villamosmérnöki Tanszék, Tsinghua Egyetem, Shuangqing Rd 30, 100084, Peking, Kína.  Hivatkozások táblázata   Absztrakt és 1. Bevezetés  2. Értékelt módszerek   3. A meglévő kísérletek áttekintése   4. Általánosíthatósági és alkalmazhatósági értékelések és 4.1. Előrejelző és válasz általánosíthatósága   4.2. Alkalmazhatóság többkollinearitású esetekre és 4.3. Nulla előrejelző alkalmazhatóság   4.4. Állandó előrejelző alkalmazhatóság és 4.5. A normalizálás alkalmazhatósága   5. Számszerű értékelések és 5.1. Kísérlet beállításai   5.2. Értékelés áttekintése   5.3. Hibaértékelés   5.4. Pontosság értékelése   5.5. Hatékonyság értékelése   6. Nyissa meg a kérdéseket   7. Következtetés   A függelék és hivatkozások  ABSZTRAKT  Az I. rész elméleti meglátásaira építve ez a cikk az oktatóanyag második részeként mélyebben belemerül az adatvezérelt teljesítményáram linearizálásába (DPFL), az átfogó numerikus tesztelésre összpontosítva. Ezeknek a szimulációknak a szükségessége az elméleti elemzésben rejlő korlátokból fakad, különösen az átfedő elméleti képességekkel és/vagy korlátokkal rendelkező DPFL-módszerek valós teljesítményében mutatkozó különbségek azonosításának kihívásából. A DPFL-megközelítések átfogó numerikus összehasonlításának hiánya a szakirodalomban szintén motiválja ezt a tanulmányt, különösen annak a ténynek a fényében, hogy a meglévő DPFL-tanulmányok több mint 95%-a nem tartalmazott nyílt forráskódú kódokat. A szakadék áthidalása érdekében ez a cikk először áttekinti a meglévő DPFL-kísérleteket, megvizsgálja az elfogadott tesztforgatókönyveket, a terhelésingadozási beállításokat, az adatforrásokat, az adatzaj/kiugró értékek szempontjait, valamint az eddigi összehasonlítást. Ezt követően ez a tanulmány összesen 44 módszert értékel, amelyek több mint 30 meglévő DPFL-megközelítést, néhány innovatív DPFL-technikát és számos klasszikus, fizika által vezérelt teljesítményáram-linearizációs módszert tartalmaznak a benchmarkinghoz. Az értékelés különböző dimenziókat ölel fel, beleértve az általánosíthatóságot, az alkalmazhatóságot, a pontosságot és a számítási hatékonyságot, számos különböző teszteset felhasználásával a 9-buszos rendszerektől az 1354-buszos rendszerekig terjedően. Az ebben a cikkben szereplő numerikus elemzés azonosítja és megvizsgálja a jelentős tendenciákat és a konzisztens megállapításokat az összes módszerre vonatkozóan a különböző tesztesetek során. Eközben elméleti betekintést nyújt az olyan jelenségekbe, mint az alulteljesítmény, a meghibásodás, a túlzott számítási idő stb. Összességében ez a cikk azonosítja a DPFL-módszerek széles skálájának teljesítményében mutatkozó különbségeket, feltárja az elméleti megbeszélésekből nem látható hiányosságokat, segítséget nyújt a módszerek kiválasztásában a valós DP-kutatások lehetséges jövőbeli kutatásaihoz, nyílt kérdéseket kínál a jövőbeli DP-alkalmazások alapos megvitatásához. irányokat. (Szószám: 9668).  1. Bevezetés  A lineáris energiaáramlási modellek kritikus jelentőséggel bírnak az energiarendszerek számításaiban, kiterjedt kutatásnak és széles körű alkalmazásnak vannak kitéve az akadémiai és az iparban, így billiónyi piacokat nyitnak meg, és hatással vannak minden globális fogyasztóra [1, 2, 3, 4]. Ezeknek a linearizációs módszereknek a pontossága és számítási hatékonysága kulcsfontosságú az energiarendszerek üzemeltetése és tervezése szempontjából, különös tekintettel azokra a rendszerekre, amelyeknél a megújuló energia nagymértékű penetrációja a keletkező energiaáramlások gyorsan változó jellege miatt. A lineáris teljesítményáram-modellek pontosságának és hatékonyságának növelése ezért nem csak egy szép technikai fejlesztés, hanem jelentős előrelépés a fenntartható energia jövője felé.  Az adatvezérelt teljesítményáram-linearizáció (DPFL) ígéretes módszerként jelent meg nagy pontosságú lineáris modellek megszerzésében olyan nyugodt körülmények között, mint például az energiarendszer fizikai modelljének ismerete. Így széles körű figyelmet kap [5]. Annak ellenére, hogy a fejlesztési szakaszban van, a DPFL már jelentős tudásbázist épített fel. Ennek a két részből álló oktatóanyagnak a célja a DPFL-megközelítések átfogó vizsgálata.  Az oktatóanyag [6] első része az összes létező DPFL-módszer alapos osztályozását és elméleti elemzését kínálta, beleértve azok matematikai alapjait, analitikai megoldásait, valamint az egyes módszerek képességeinek, korlátainak és alkalmazhatóságának kritikus értékelését. Ez a munka alapvető útmutatóként szolgál, mind a kezdőknek, mind a szakértőknek, az ORCID(ek): 0000-0002-2027-5314 (M. Jia) ezen a területen, valamint más tudományágak szakembereinek, akik egyszerűen csak megbízható linearizációs technikákat keresnek.  A [6] elméleti elemzésének alapossága ellenére vannak korlátai: ha sok linearizációs módszernek hasonló erősségei és/vagy gyengeségei vannak, szinte lehetetlen megjósolni a különbségeket a gyakorlati teljesítmény tekintetében. Ennélfogva a [6] esetében továbbra is nehéz a konkrét igényekhez legmegfelelőbb módszer meghatározása. Ennél is fontosabb, hogy az irodalomban létező numerikus összehasonlítások nem mutatják meg teljesen a teljes képet a DPFL-megközelítések tényleges teljesítményéről. A meglévő DPFL-módszerek közötti tényleges teljesítménybeli különbségek világos megértésének hiánya elfedheti azokat a problémákat, amelyek a képességek és korlátok elméleti elemzéséből nem derülnek ki, elhomályosíthatja a DPFL-közösség kutatóinak megítélését, és megnehezítheti a megfelelő linearizációs módszerek kiválasztását más kutatási területek potenciális felhasználói számára.  Valójában az átfogó összehasonlítás megvalósítása jelentős erőfeszítéseket igényel, mivel a kapcsolódó irodalom több mint 95%-ára hiányzik a nyílt forráskódú kód. Mindazonáltal a kétértelműségek tisztázása, a jövőbeli kutatási utak felvázolása és a közösség haszna érdekében ez a cikk az oktatóanyag második részeként ezt a hiányt kívánja pótolni. Pontosabban, ez a cikk kimerítő szimulációkat végez az összes DPFL-módszerre, néhány újonnan bevezetett DPFL-módszerre a DPFL moduláris jellegének bemutatására, valamint számos klasszikus fizika-vezérelt teljesítményáram-linearizációs (PPFL) megközelítésre benchmarkként, összesen 44 módszerre. Jelen cikk fő célja ezen módszerek alapos értékelése az általánosíthatóság, alkalmazhatóság, pontosság és számítási hatékonyság szempontjából. Az értékelési eredmények a lehetséges jövőbeli irányok azonosítását is támogatják. Ennek az írásnak a hozzájárulása tehát három részből áll:  (i) Bemutatjuk a meglévő DPFL-kísérletek átfogó áttekintését, megvizsgálva az elfogadott tesztforgatókönyveket, a terhelésingadozási beállításokat, az adatforrásokat és az adatzaj/kiugró értékek megfontolását. Az áttekintés emellett áttekintést ad a DPFL-megközelítések között meglévő összehasonlításokról, felvázolja a korábbi kísérletek képességeit és korlátait, és bemutatja az összes DPFL-megközelítés átfogó numerikus összehasonlításának kritikus szükségességét.  (ii) 44 linearizációs módszer kimerítő numerikus szimulációját végezzük el, beleértve 36 meglévő DPFL-megközelítést, négy újonnan kifejlesztett DPFL-módszert és négy klasszikus PPFL-algoritmust. E 44 módszer részletes összehasonlító elemzését mutatjuk be, megvitatva általánosíthatóságukat, alkalmazhatóságukat, pontosságukat és számítási hatékonyságukat, tisztázva ezzel az összes értékelt megközelítés tényleges teljesítményét.  (iii) A nyitott kutatási kérdésekről egy mélyreható megbeszélést biztosítunk, amely a DPFL-kutatás tíz ígéretes, de kihívásokkal teli jövőbeli irányát vázolja fel, az itt szerzett számszerű eredmények és az oktatóanyag első részéből levont elméleti következtetések alapján [6].  A cikk további része a következőképpen épül fel: A II. szakasz bemutatja a 44 módszert. A III. szakasz a DPFL-ben már meglévő kísérleteket tekinti át. A IV. fejezet a módszereket általánosíthatóságuk és alkalmazhatóságuk szempontjából értékeli. Az V. szakasz részletezi a pontosság és a számítási hatékonyság numerikus értékelését. A VI. fejezet a DPFL területén felmerülő nyitott kérdéseket tárgyalja, összefoglalva a lehetséges jövőbeli irányokat. A VII. szakasz zárja a dolgozatot.    :  Megjegyzés Mindent megtettünk annak érdekében, hogy az eredeti kutatási cikkekben leírt módszereket pontosan lemásoljuk. Azonban olyan tényezők miatt, mint a nyílt forráskód hiánya (nagyon kevés kivételtől eltekintve) és a szakirodalomban gyakran hiányos részletek, nem tudjuk garantálni, hogy implementációink tökéletesen tükrözik az eredeti szerzők szándékait, bár amikor a részletek különösen homályosak voltak, a módszerek több változatát is kidolgoztuk, amint azt a következő fejezet 1. táblázata mutatja. Mindazonáltal elismerjük, hogy lehetetlen pontos másolatokat készíteni a módszerekről, ahogyan azt az alkotók elképzelték. Ezenkívül fontos megjegyezni, hogy egyetlen módszer sem mentes a hibáktól. Ebben a cikkben a korlátok elemzése nem kritika, hanem egy alapos értékelés része bizonyos esetekben, adott hiperparaméterekkel.  Ez a papír a CC BY-NC-ND 4.0 Deed (Attribution-Noncommercial-Noderivs 4.0 International) licenc alatt   . érhető el az arxiv oldalon

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Linearization (dot tech)

We iluminate the path and make the intricate intuitive.

linearization's blog

Ez a hanganyag a történet eredeti nyelvén készült!

Túl hosszú; Olvasni

Get Free Unlimited IP Geo Data With IPinfo Lite

Az új tanulmány feltárja a legjobb AI-modelleket az elektromos hálózat optimalizálásához

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

The Little Shop at Fishbourne

INTRODUCTION

How Emoji Credibility Indicators Add Context to HackerNoon Stories

The Little Shop at Fishbourne

INTRODUCTION

How Emoji Credibility Indicators Add Context to HackerNoon Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps