Electrical Engineering and Systems Science / Systems and Control

'Electrical Engineering and Systems Science / Systems and Control' 카테고리의 모든 글

총 21개의 글
시간순 정렬
로봇 시스템에서 Painlevé 모순 제어

로봇 시스템에서 Painlevé 모순 제어

The Painlev e paradox is a phenomenon that causes instability in mechanical systems subjects to unilateral constraints. While earlier studies were mostly focused on abstract theoretical settings, recent work confirmed the occurrence of the paradox in realistic set-ups. In this paper, we investigate the dynamics and presence of the Painlev e phenomenon in a twolinks robot in contact with a moving belt, through a bifurcation study. Then, we use the results of this analysis to inform the design of control strategies able to keep the robot sliding on the belt and avoid the onset of undesired lift-off. To this aim, through numerical simulations, we synthesise and compare a PID strategy and a hybrid force/motion control scheme, finding that the latter is able to guarantee better performance and avoid the onset of bouncing motion due to the Painlev e phenomenon.

paper AI 요약
에너지 저장 시스템을 갖춘 재생 에너지 공급자의 지방 에너지 시장 내 이중 독점 경쟁

에너지 저장 시스템을 갖춘 재생 에너지 공급자의 지방 에너지 시장 내 이중 독점 경쟁

이 논문은 지역 전력 시장에서 에너지 저장을 할 것인지 말 것인지를 결정하는 신재생에너지 공급업체들 간의 이중독점 경쟁을 연구합니다. 에너지 저장 투자는 재생에너지 공급업체들의 출력 안정화에 도움이 되지만, 상당한 투자 비용뿐만 아니라 시장 결과에도 놀라운 변화를 가져올 수 있습니다. 재생에너지 공급업체들 간의 경쟁에서 에너지 저장 투자의 균형 결정을 연구하기 위해 공급자와 소비자 간의 상호작용을 3단계 게임 이론 모델로 모델링했습니다. 제1단계에서는 투자 기간이 시작될 때 공급자가 에너지 저장에 투자할 것인지 결정합니다. 그런 결정이 이루어진 후 각 날짜의 당일 시장에서 공급자는 제2단계에서 입찰 가격과 양을 결정하고, 이에 따라 소비자는 각 공급업체로부터 구매할 전력량을 결정합니다 (제3단계). 실시간 시장에서는 실제 생산이 약속보다 부족한 경우 공급자가 처벌받습니다. 제2단계의 가격-양 경쟁 균형을 설명하고, 제1단계에서 전기 판매 수익과 에너지 저장 비용을 포함하여 저장 투자 균형을 특성화합니다. 역설적으로, 재생에너지의 불확실성이 에너지 저장 투자가 없는 경우보다 안정적인 생산이 있는 경우보다 공급자의 이익이 높아질 수 있다는 것을 보여줍니다. 시뮬레이션은 시장 경쟁에 따른 결과를 더욱 설명합니다. 예를 들어, 약속을 준수하지 않을 때의 처벌이 더 크거나 저장 비용이 더 높거나 소비자 수요가 낮을 경우 공급자의 이익이 증가할 수 있습니다. 또한 에너지 저장 투자가 공급자의 이익을 늘릴 수 있지만, 먼저 투자를 한 공급자는 투자를 하지 않은 무료 타승 경쟁업체보다 덜 혜택을 받는 경우도 있음을 보여줍니다.

paper AI 요약
피드백 선형화 가능한 시스템을 위한 암시적 트라젝토리 계획 시간 변동 최적화 접근법

피드백 선형화 가능한 시스템을 위한 암시적 트라젝토리 계획 시간 변동 최적화 접근법

우리는 피드백 선형화 가능한 시스템의 실시간 경로 계획과 피드백 제어를 위한 최적화 기반 프레임워크를 개발했습니다. 이를 달성하기 위해, 목표 경로를 시간 변동 최적화 문제의 최적 해로 정의합니다. 그러나 일반적으로 이러한 경로는 비홀놈 제약 조건으로 인해 적절하지 않을 수 있습니다. 이 문제를 해결하기 위해, 목표 경로에 점근적으로 수렴하는 타당한 경로를 생성하는 제어 법칙을 설계했습니다. 구체적으로, 동적 전체 상태 선형화가 가능한 시스템의 경우, 제안된 제어 법칙은 비선형 시스템을 충분히 높은 차수의 최적화 알고리즘으로 암묵적으로 변환합니다. 우리는 최적화 알고리즘과 원래 시스템 모두에서 목표 경로에 대한 전역 지수 수렴성을 증명했습니다. 제약 조건이 있는 다중 대상 또는 다중 에이전트 추적 문제에서 우리의 방법의 효과를 설명합니다.

paper AI 요약
No Image

게임 기반 다중 에이전트 시스템에서의 융합

coalescence는 자연과 사회에서 흔히 볼 수 있는 집단 행동의 일종으로, 에이전트, 회사 또는 다른 물질들이 상태에 대한 합의를 이루고 하나로 움직이는 것을 의미합니다. 본 논문은 n개의 초기 상태가 다른 이성적인 에이전트들에 대한 coalescence를 고려하였습니다. 집단의 이성과 지능성을 고려하여, coalescing 과정을 유일한 혼합 전략 Nash 균형 해가 있는 이중 행렬 게임으로 설명하였습니다. 이 과정은 독립적인 확률적 과정이 아니므로 분석하기 어렵습니다. 첫 번째 Borel-Cantelli 보조정리를 사용하여 모든 에이전트들이 확률 1로 하나의 그룹으로 coalesce될 것을 증명하였습니다. 또한, 예상 coalescence 시간도 평가되었습니다. 수익 함수가멱함수일 경우, coalescence 시간의 분포와 기대값을 얻었습니다. 마지막으로 이론적 결과의 유효성을 검증하기 위해 시뮬레이션 사례를 제공하였습니다.

paper AI 요약
전력망 복구를 위한 자동화된 의사결정

전력망 복구를 위한 자동화된 의사결정

중요 인프라 시스템인 전력 네트워크, 수자원 네트워크 및 교통 체계 등은 어떤 커뮤니티의 복지에 중요한 역할을 합니다. 재난 후 이러한 인프라 시스템들의 회복이 무엇보다 중요합니다; 효율적이고 차질 없이 회복하기 위해서는 제한된 자원(인력과 기계를 조합한 리소스)을 손상된 인프라 요소의 수리에 할당해야 합니다. 의사결정자는 또한 리소스 할당 행동의 결과에 대한 불확실성과 맞서야 합니다. 전문가의 역량에도 불구하고, 많은 선택지와 순차적인 결정들의 결과에 대한 불확실성을 다루는 것은 자원을 수동으로 할당하는 것이 거의 최적일 경우가 드뭅니다. 이와 같은 불확실성이 있는 조합 문제는 mbox{NP-난해}로 알려져 있습니다. 우리는 대규모 실제 문제의 방대한 의사결정 선택을 다루는 새로운 의사결정 기법을 제안합니다; 또한 우리의 방법은 성능이 우수한 몇 가지 선택 사항에 따라 계산 리소스를 적응적으로 결정하는 체험 학습 컴포넌트를 포함하고 있습니다. 우리의 프레임워크는 폐쇄 루프이며, 이러한 의사결정 시스템의 모든 유익한 특성을 자연스럽게 통합합니다. 단기적인 접근 방식과 달리, 현재 선택에 따른 장래 효과를 고려하지 않는 것과는 반대로, 우리의 방법론은 해결책에 emph{예지안}을 효과적으로 통합하는 예측 학습 컴포넌트를 가지고 있습니다. 이를 위해 우리는 회귀 분석 이론, Markov 의사결정 과정(MDPs), 다중 팔 기계 및 자연 재해로 인한 커뮤니티 손상의 확률 모델을 활용하여 위험에 노출된 커뮤니티의 회복을 위한 최적 해법 방법을 개발했습니다. 우리의 방법론은 거대한 행동 공간을 가진 MDPs의 일반적인 문제에 적용되는 공헌을 제공합니다.

paper AI 요약
No Image

리아푸노프 이벤트-트리거 안정화와 알려진 수렴률

이 논문은 비선형 시스템에서 이벤트 트리거드 제어를 통해 상태가 안정적으로 수렴하는 방법을 제시한다. 특히, 클라우드 기반의 제어 시스템에서 통신과 계산 자원을 효율적으로 사용하기 위해 이벤트 트리거드 알고리즘을 설계하고 이를 통해 비선형 시스템이 안정적으로 수렴하도록 한다. 제안된 방법은 클라우드 컴퓨팅 환경에서 시스템의 통신과 계산 자원을 최적화하며, 이는 다양한 산업 분야에서 실시간 제어와 모니터링에 활용될 수 있다. ###

paper AI 요약
네트워크를 통한 시계 동기화 --

네트워크를 통한 시계 동기화 --

이 논문에서는 2개 노드의 시계 동기화 및 거리 측정 문제를 분석합니다. 특히, 이들 노드가 시간-디지털 변환기를 사용하여 정확한 거리를 결정하는 경우에 집중하고 있습니다. 이러한 특정 설계 선택은 포착된 신호에 대한 톱니 모양 모델을 생성하며, 이를 추정 이론적 관점에서 연구한 적이 없습니다. 본 연구에서는 Freris, Graham 및 Kumar의 잘 알려진 논문에서 얻어진 기본 결론을 다시 확인합니다. 더 중요한 것은, 잡음을 통해 톱니 신호 모델에 대한 위상과 오프셋 매개변수 추정의 이론적 조건이 개선되는 놀라운 식별 결과를 발견한 것입니다. 연구의 완성도를 위해, 기본적인 추정 전략을 사용하여 다양한 실제 조건 하에서 톱니 신호 모델에 대한 시계 동기화 및 거리 측정 성능 기준을 제공하는 철저한 시뮬레이션 연구를 제시합니다. 이 논문의 공헌으로 인해, 향후 톱니 신호 모델의 추정 연구가 가능하며 이를 산업용 시계 동기화 및 거리 측정에 활용하기 위한 길을 열었습니다.

paper AI 요약
자율주행에 대한 조사 일반적인 관행과 새로 등장한 기술들

자율주행에 대한 조사 일반적인 관행과 새로 등장한 기술들

자율 주행 시스템(ADS)은 안전하고 편안하며 효율적인 운전 경험을 약속합니다. 그러나 ADS를 장착한 차량에 관련된 사망자가 증가하고 있습니다. 최신 기술의 강건성을 더욱 개선하지 않으면 ADS의 전체 잠재력은 실현될 수 없습니다. 이 논문에서는 미해결 문제들을 논의하고 자율 주행의 기술적 측면을 조사합니다. 현재 도전 과제, 고수준 시스템 아키텍처, 신규 메소드 및 핵심 기능(위치 추정, 맵핑, 인식, 계획, 인간-기계 인터페이스)에 대한 연구가 철저히 검토되었습니다. 또한 최신 기술을 자체 플랫폼에서 구현하고 다양한 알고리즘들을 실제 운전 환경에서 비교하였습니다. 논문은 ADS 개발을 위한 사용 가능한 데이터 세트와 도구들에 대한 개요로 마무리됩니다.

paper AI 요약
동적 네트워크에서 상관된 노이즈를 갖는 모듈 식별을 위한 로컬 직접 방법

동적 네트워크에서 상관된 노이즈를 갖는 모듈 식별을 위한 로컬 직접 방법

동적 네트워크에서 모듈 식별에 대한 최근 연구는 각 노드 간의 개요가 알려져 있는 상황에서 일관된 추정치를 얻기 위한 조건을 제시하고 있습니다. 이 조건은 일반적으로 여러 입력-단일 출력(MISO) 식별 설정에서 예측자 입력으로 취급되는 노드 신호 세트의 선택을 반영합니다. 본 논문에서는 서로 다른 노드 신호에 대한 과정 잡음이 상호 연관될 수 있는 경우에 대해 식별 설정을 확장하고 있습니다. 이러한 상황에서 로컬 모듈은 일관된 최대우도 추정치를 얻기 위해 다중 입력-다중 출력(MIMO) 식별 설정으로 포함되어야 할 수도 있습니다. 이는 혼란 변수의 적절한 처리가 필요합니다. 결과적으로, 주어진 네트워크 토폴로지와 간섭 상관 구조를 기반으로 MISO 또는 MIMO 식별 설정에서 예측자 입력과 출력으로 적절한 노드 신호 세트를 선택하는 알고리즘 세 가지가 제시됩니다. 사용되는 측정된 노드 신호의 최대 또는 최소 수, 또는 사전에 선택된 측정 노드 세트를 고려할 수 있습니다.

paper AI 요약
입력 포화 상황：

입력 포화 상황：

이 논문은 입력 포화 상태에서 추가 정보 교환을 기반으로 전역 및 준전역 조절된 상태 동기화에 대해 연구한다. 여기서 참조 궤도는 전역적으로 접근 가능한 것으로 가정되는 so-called exosystem에 의해 주어진다. 우리의 프로토콜 설계 방법론은 유향 네트워크의 위상이나 관련 Laplacian 행렬의 스펙트럼에 대한 지식을 필요로 하지 않는다. 더 나아가, 제안된 프로토콜은 확장 가능하며 임의 개수의 에이전트에 대해 동기화를 달성한다.

paper AI 요약
분산 가설 검정과 비베이지안 학습을 위한 새로운 접근법 개선된 학습 속도와 바이잔틴 내성

분산 가설 검정과 비베이지안 학습을 위한 새로운 접근법 개선된 학습 속도와 바이잔틴 내성

우리는 각각 부분적으로 정보가 있는 개인적인 신호를 받는 에이전트 그룹이 공동으로 학습하려고 하는 상황을 연구합니다. 이들은 세계의 진정한 기본 상태(유한 가설 집합 중 하나)를 찾아내려 합니다. 이를 해결하기 위해, 우리는 기존 접근법과 근본적으로 다른 분산 학습 규칙을 제안합니다. 기존 방식에서 사용되는 믿음 평균화 를 쓰지 않고, 에이전트는 믿음을 갱신하는 데 min-규칙을 사용합니다. 관찰 모델과 네트워크 구조에 대한 표준 가정 하에서 각 에이전트가 거의 확실히 진실을 학습한다는 것을 증명했습니다. 주요 기여로, 우리는 모든 잘못된 가설이 각 에이전트에 의해 지수적으로 빠르게, 네트워크 독립적인 비율로 배제됨을 확률 1에서 증명합니다. 또한, 우리가 개발한 학습 규칙의 계산 효율적인 변형은 예상치 못하게 행동하거나 정보를 왜곡하려는 에이전트(바이잔틴 적대자 모델로 표현)에 대해 증명적으로 견고하다는 것을 보여줍니다.

paper AI 요약
복잡한 실외 환경에서 자율 무인항공기 비행 제어를 위한 다중 작업 회귀 기반 학습 방법

복잡한 실외 환경에서 자율 무인항공기 비행 제어를 위한 다중 작업 회귀 기반 학습 방법

전 세계 드론 산업의 증가로 완전 자율 비행 드론의 가능성도 확대되었다. 본 논문은 특히 불규칙한 야외 환경에서 넓은 지역을 탐색하고 감시하는 작업에 사용되는 드론의 활용을 중심으로 연구를 진행했다. 이러한 환경의 주요 문제는 도로선이나 길 같은 구조화된 특징이 자율 비행을 돕지 못한다는 것이다. 본 논문에서는 End-to-End Multi-Task Regression-based Learning 접근법을 제안하여, GPS와 같은 추가 센서 없이 숲 아래에서 탐색과 항해를 위한 비행 명령을 정의할 수 있도록 하였다. 훈련 및 검증은 소프트웨어 인 루프 파이프라인을 사용하여 수행되며, 이는 최신 위치 추정 기법에 대한 상세한 평가를 가능하게 한다. 우리의 실험 결과는 제안된 접근법이 요구되는 탐색 범위 내에서 밀도 있는 탐사를 수행하고 더 넓은 탐색 영역을 커버하며, 이전에 보지 못했던 환경에도 일반화할 수 있고 현존하는 최고의 기술보다 우수하다는 것을 입증한다.

paper AI 요약
분산식 확률적 최적화와 그래디언트 추적 소개

분산식 확률적 최적화와 그래디언트 추적 소개

분산된 합 최소화에 대한 분산 해법은 많은 신호 처리, 제어 및 머신 러닝 애플리케이션에서 중요한 역할을 합니다. 이러한 환경에서는 데이터가 임의로 연결된 노드 네트워크에 분포되어 있으며 통신이나 개인 정보 보호 문제 때문에 원시 데이터 공유가 불가능한 경우가 많습니다. 본 논문에서는 분산 стоха스틱 최적화 방법을 검토하고 최근 개선 사항을 기반으로 그라디언트 추적 및 변동 감소에 초점을 맞추어 부드럽고 강하게 볼록한 목적 함수를 설명합니다. 주요 기술적인 아이디어의 직관적인 설명과 분산 머신 러닝 모델 학습에서 알고리즘의 활용 사례도 제공합니다.

paper AI 요약
회로 전압 변환기의 그레이-박스 식별을 위한 다목적 진화 접근법

회로 전압 변환기의 그레이-박스 식별을 위한 다목적 진화 접근법

본 연구는 연속 전도 모드에서 작동하는 실제 DC-DC 부커 컨버터의 간단한 그레이 박스 식별 접근 방법을 제안한다. 관찰된 동적 데이터에 대한 정보 부족 문제, 특히 상대적으로 좁은 입력 범위에서 얻어진 경우에 대해 해결하기 위해 부커 컨버터의 알려진 정적 특성을 사전 지식으로 활용한다. 후보 모델들의 정적 응답을 결정하는 간단한 방법을 개발하였고, 이 개념은 용어 클러스터의 개념을 기반으로 한다. 정적 행동에서 발생하는 오차는 구조 선택을 위한 다목적 프레임워크에 직접 통합된다. 본질적으로 제안된 접근 방식은 모델 생성의 편향-분산 딜레마를 균형 있게 조정하면서 사전 지식을 명시적으로 구조 선택 과정에 통합하는 다목적 프레임워크로 그레이 박스 식별 문제를 재구성한다. 실제 부커 컨버터의 경우를 고려한 연구 결과는 넓은 입력 범위에서 시스템의 동적 및 정적 행동을 모두 포착할 수 있는 경제적인 모델을 식별할 수 있음을 보여준다.

paper AI 요약
현장용 실시간 케이싱 카라 인식 시스템 뉴럴 네트워크 기반 접근법

현장용 실시간 케이싱 카라 인식 시스템 뉴럴 네트워크 기반 접근법

정확한 지하 위치는 석유 및 가스 작업에서 매우 중요하지만, 전통적인 표면 기반 케이싱 컬러 라커(CCL) 모니터링에서는 신호 퇴화로 인해 정확성이 저하되는 경우가 많습니다. 이를 해결하기 위해 우리는 내장된 인공신경망을 사용한 실시간 컬러 인식 시스템을 제시합니다. 여기서는 ARM Cortex-M7 마이크로프로세서에 최적화된 가벼운 컬러 인식 네트워크 (CRNs)를 소개합니다. 시간 및 깊이 분리 합성곱을 활용함으로써, 우리의 가장 컴팩트한 모델은 계산 복잡도를 단지 8,208 MACs로 줄이는 동시에 F1 점수는 0.972를 유지합니다. 하드웨어 검증 결과 평균 추론 지연 시간이 343.2 μs라는 것을 확인하여, 심각한 전력 및 공간 제약을 가진 지하 장비 내에서 견고하고 자율적인 신호 처리가 가능함을 입증했습니다.

paper AI 요약
확률기반 주차 선택 문제

확률기반 주차 선택 문제

현재 주차 네비게이션 시스템은 주차 공간을 찾는 데 걸리는 시간을 고려하지 않아 총 이동 시간을 과소평가하는 경향이 있어, 이를 사용자 경험, 교통 수단 선택, 혼잡도 및 배출량에 영향을 미칩니다. 이러한 문제를 해결하기 위해 이 논문에서는 주차 가능성을 기반으로 한 확률에 의존한 주차 선택 문제를 제시합니다. 운전자에게 최적의 주차 위치로 안내하는 것이 목적입니다. 확률 정보를 바탕으로 한 결정을 내리는 유연한 동적 프로그래밍 프레임워크가 제안되었습니다. 폐쇄형 분석을 통해 특정 주차장에 목표를 설정하거나 대체 옵션을 탐색할 때 최적이며 예상 시간 비용도 결정됩니다. 감도 분석과 세 가지 예시 사례를 검토하여 모델의 동적인 주차 가능성을 고려하는 능력을 보여줍니다. 영구 센싱 인프라의 재정적 비용을 인정하면서, 확률적 관찰을 사용해 주차 가능성을 추정할 때 발생하는 오류에 대한 분석과 경험적 평가를 제공합니다. 미국 시애틀에서 수집된 실제 데이터를 이용한 실험은 이 접근법의 타당성을 보여주며, 관측 빈도가 증가함에 따라 절대 오차가 7%에서 2% 미만으로 감소했습니다. 데이터 기반 시뮬레이션에서는 확률을 고려한 전략이 확률을 고려하지 않는 기본 모델보다 최대 66%의 시간을 절약했지만, 목적지로 직접 이동하는 추정치보다는 최대 123% 더 오래 걸렸습니다.

paper AI 요약
MPC 기반 인버터 전력 제어를 이용한 저인erti아 전력 시스템의 주파수 안정성

MPC 기반 인버터 전력 제어를 이용한 저인erti아 전력 시스템의 주파수 안정성

전기 그리드는 대부분의 동기 기계로 구성된 네트워크에서 풍력, 태양광 및 에너지 저장 장치와 같은 인버터 기반 자원(IBR)과 동기 기계가 혼합되어 있는 네트워크로 진화하고 있습니다. 이러한 변화는 시스템 내의 기계적 관성량을 줄이는 결과를 초래하였으며, 이에 따라 새로운 자원들이 인버터 인터페이스를 통해 주파수 반응을 제공해야 하는 필요성이 생겼습니다. 본 논문에서는 시스템에서 발생하는 장애 상황에서 인버터의 최적의 유동 전력 설정 값을 결정하기 위한 모델 예측 제어(MPC) 기반 새로운 전략을 제안합니다. 우리의 프레임워크는 전력 및 에너지에 대한 하드 제약 조건을 명시적으로 고려하고, 측정 노이즈와 통신 지연을 포함한 다양한 요인에 대해 강성성을 보여줍니다. 이를 위해 실시간으로 모델 불일치를 추정하기 위한 관찰기를 사용합니다. 표준 39-bus 시스템에서 여러 시나리오 아래에서 최적 조정된 가상 동기 기계와 비교했을 때 제안한 컨트롤러가 크게 우수함을 보여주었으며, 이는 최적화된 인버터 기반 자원이 전통적인 동기 기계보다 더 나은 주파수 반응을 제공할 수 있음을 시사합니다.

paper AI 요약
No Image

전력 네트워크에서의 피어투피어 거래 개요

피어-투-피 거래는 경제적으로 주도적인 소비자(프로SUMER)가 에너지를 상품과 서비스로 거래하는 미래 지향적인 에너지 관리 기법입니다. 동시에, 피어-투-피 에너지 거래는 피크 수요를 줄이고 예비 용량 요구를 낮추며 네트워크 손실을 감소시켜 전력망에 도움이 될 것으로 기대됩니다. 그러나 전력망에서 대규모로 피어-투-피 거래를 배포하는 것은 가상 및 물리 계층의 거래를 모델링하기 위한 여러 가지 과제를 제기합니다. 따라서 이 논문은 피어-투-피 에너지 거래 기술에 대한 최신 연구의 포괄적인 검토를 제공하며, 이를 통해 피어-투-피 거래의 주요 특징과 전력망 및 프로SUMER에게 중요한 혜택을 개괄합니다. 그런 다음 우리는 가상 및 물리 계층에서 연구가 해결하려는 과제에 따라 기존 연구를 체계적으로 분류하고, 피어-투-피 거래의 문제를 해결하기 위해 널리 사용된 기술적 접근법들을 식별하고 논의합니다. 마지막으로, 이 논문은 잠재적인 미래 연구 방향을 제시하며 마무리됩니다.

paper AI 요약
재귀적이고 무작위적인 센싱 결함에 대한 동적 라우팅의 회복력

재귀적이고 무작위적인 센싱 결함에 대한 동적 라우팅의 회복력

피드백 기반 동적 라우팅은 교통 체계에서 일반적으로 사용되는 제어 전략 중 하나이다. 이와 같은 제어 전략들은 각 링크의 실시간 교통 상태에 대한 정보를 의존한다. 그러나 이러한 정보는 일시적인 센싱 오류로 인해 항상 관찰될 수 없다. 본 논문에서는 두 개의 병렬 경로에서 동적 라우팅을 고려하며, 각 링크의 센싱은 재발성과 무작위 오류를 포함한다. 이러한 오류들은 유한 상태 마르코프 체인에 따라 발생하고 해결된다. 만약 한 링크에서 센싱이 오류를 일으키면 그 링크의 교통 상태는 컨트롤러에게 0으로 보여진다. 본 논문은 마르코프 과정과 단조 동적 시스템 이론을 기반으로 네트워크의 안정성 조건을 설정하여 센싱 오류에 직면한 네트워크의 가용성을 나타내는 신뢰성 점수의 하한값과 상한값을 유도한다. 이러한 결과를 이용해 다양한 주요 매개변수가 네트워크의 신뢰성 점수에 미치는 영향을 연구하였다. 본 논문의 주요 결론은 다음과 같다 (i) 센싱 오류는 처리량을 줄이고 기본적으로 안정적인 네트워크를 불안정하게 만들 수 있다; (ii) 높은 고장률이 반드시 처리량을 감소시키지는 않으며, 최저 처리량을 낮추는 특정 고장률이 존재할 수 있다; (iii) 두 링크의 고장 확률 간 상관관계가 클수록 처리량이 증가한다; (iv) 두 링크 사이의 용량 차이가 클 경우 처리량이 감소할 수 있다.

paper AI 요약
안전한 전력 그리드 예측 상태 공간 모델이 어떻게 도움될까?

안전한 전력 그리드 예측 상태 공간 모델이 어떻게 도움될까?

정확한 그리드 로드 예측은 안전에 중요합니다 과소예측은 공급 부족의 위험을 초래하고, 대칭 오차 메트릭은 이러한 운영 비대칭성을 가리게 됩니다. 우리는 MAPE를 넘어서 일방적인 신뢰성 리스크를 정량화하기 위한 운영자에게 이해가 쉬운 평가 프레임워크 -- 과소예측률(UPR), 꼬리 예비율(Reserve$_{99.5}^{ %}$) 요구사항, 명시적인 부기 진단(Bias$_{24h}$/OPR) -- 을 도입합니다. 이 프레임워크를 사용하여 2023년 11월부터 2025년 11월까지의 캘리포니아 독립계통연산자(CAISO) 데이터(5개 지역 전송 영역을 아우르는 84,498건의 시 hourly 기록)에서 롤링-오리진 워크포워드 백테스트를 통해 상태공간 모델(Mamba 변종)과 강력한 베이스라인을 평가하고 이러한 구조에 대한 열 지연 정렬된 날씨 융합 전략을 개발 및 평가합니다. 우리의 결과는 표준 정확도 메트릭이 운영 안전성의 부적절한 대리지표임을 보여줍니다 MAPE가 유사하더라도 모델은 실질적으로 다른 꼬리 예비 요구사항(Reserve$_{99.5}^{ %}$)을 암시할 수 있습니다. 우리는 명시적인 날씨 통합이 오차 분포를 좁혀 온도에 따른 수요 급증의 영향을 감소시키는 것을 보여줍니다. 또한 확률적 교정은 큰 오류 이벤트를 줄이지만, 시스템적인 스케줄 부기로 이어질 수 있습니다. 우리는 꼬리 위험을 최소화하고 무의미한 과예측을 방지하는 객관적으로 평가 가능한 타협점을 가능하게 하는 Bias/OPR 제약 목표를 도입합니다.

paper AI 요약
쿠포먼 이론으로 안전한 제어 범위 예측하기

쿠포먼 이론으로 안전한 제어 범위 예측하기

본 연구에서는 알려지지 않은 비선형 동역학의 확률적 데이터 기반 안전 검증을 위한 확장 가능한 접근 가능성을 기반으로 하는 프레임워크를 제안합니다. 이에 Koopman 이론과 신경망(NN) 리프팅 함수를 사용하여 동역학의 근사 선형 표현을 학습하고, 이러한 공간에서 참조 궤적 분포의 클로즈드-루프 추적을 가능하게 하는 선형 제어기를 설계합니다. 클로즈드 루프 접근 가능한 집합은 리프팅된 공간에서 효율적으로 계산되며, NN 검증 도구를 통해 원래 상태 공간으로 다시 매핑됩니다. Koopman 동역학과 실제 시스템 간의 모델 불일치를 포착하기 위해 통계적 유효성을 갖는 오차 한계를 생성하기 위한 콘포멀 예측을 적용합니다. 이를 통해 사용자가 지정한 확률로 실제 궤적이 포함되도록 접근 가능 집합이 팽창됩니다. 이러한 경계는 참조에 따라 일반화되어 재사용 없이 재계산할 필요가 없습니다. 11차원 호퍼, 28차원 스위머로 구성된 고차원 MuJoCo 작업과 12차원 퀼코pter에서의 결과를 통해 기존 방법보다 개선된 접근 가능 집합 커버리지 비율, 계산 효율성 및 보수성을 확인할 수 있습니다.

paper AI 요약

< 분야별 논문 현황 (Total: 566) >

Astrophysics
1
Computer Science
581
Condensed Matter
2
Economics
17
Electrical Engineering and Systems Science
38
Mathematics
19
Physics
10
Quantitative Biology
6
Quantitative Finance
4
Quantum Physics
5
Statistics
20

검색 시작

검색어를 입력하세요

↑↓
↵
ESC
⌘K 단축키