JP7242508B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents
情報処理装置、情報処理方法、およびプログラム Download PDFInfo
- Publication number
- JP7242508B2 JP7242508B2 JP2019196584A JP2019196584A JP7242508B2 JP 7242508 B2 JP7242508 B2 JP 7242508B2 JP 2019196584 A JP2019196584 A JP 2019196584A JP 2019196584 A JP2019196584 A JP 2019196584A JP 7242508 B2 JP7242508 B2 JP 7242508B2
- Authority
- JP
- Japan
- Prior art keywords
- function
- model
- unit
- graph
- information processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Description
図1は、評価用電力系統システムモデルの例を示す図である。図1のように、評価用電力系統システムモデルは、交流電源V_0~V_3、変圧器T_0~T_8、およびバスB1~B14を含む。バスとは、電力の供給源や需要家が接続される「箇所」のような概念である。
図2は、実システムの構造例を示す図である。図示する構造例は、バス1~バス4を含む。バス1とバス2の間には、220[kV]を110[kV]に変圧する変圧器が設けられている。バス2には、60[MW]の需要家が接続されている。バス2とバス3の間は、70[km]の電力線で接続されている。バス3には、発電機と、70[MW]の需要家が接続されている。バス2とバス4の間は、40[km]の電力線で接続されており、バス3とバス4の間は、50[km]の電力線で接続されている。バス4には、発電機と、10[MW]の需要家が接続されている。
図6は、ニューラルネットワーク生成装置100のブロック図である。ニューラルネットワーク生成装置100は、例えば、データ取得部101と、記憶部102と、ネットワーク処理部103と、出力部104とを備える。
図7は、グラフ構造のデータからニューラルネットワークを生成する様子を示す図である。図7において、符号g7は、グラフ構造を表す。符号g8は、ニューラルネットワークを表す。なお、ニューラルネットワーク生成装置100が、ニューラルネットワークを生成する。
一例としてα1,12は、想定ノード(RN1)と想定ノード(RE12)の間の伝播度合いを示す係数である。想定ノード(RN1)の第2中間層の特徴量h1##は、次式(2)で表される。第3中間層以降も順次、同様の規則で特徴量が決定される。
図9は、実施形態に係る情報処理装置1の構成例を示すブロック図である。図9のように、情報処理装置1は、管理機能部11、グラフコンボリューションニューラルネット12、強化学習部13、操作部14、画像処理部15、および提示部16を備える。管理機能部11は、メタグラフ構造系列管理機能部111、コンボリューション関数管理機能部112およびニューラルネット管理機能部113を備える。また、情報処理装置1には、環境2と表示装置3が接続されている。
まず、実システムをグラフ構造で表す(S1)。次にグラフ構造からエッジ種別、関数属性を設定する(S2)。次に、メタグラフで表す(S3)。次に、ネットワークマッピングを行う(S4)。
この状態から、次の時刻t=1の変更候補としては、中段の符号g41,g42,…,g4nのようにn(nは1以上の整数)個の選択肢が考えられる。
それらの選択肢毎に、次時刻t=2の選択肢が派生する。符号g51,g52,…は、符号g43のグラフ構造からの選択肢例を表す。
情報処理装置1が行う学習方法例を説明する。ここでは、学習方式としてA3C(Asynchronous Advantage Actor-Critic)を用いる例を説明するが、学習方式は、これに限らない。なお、実施形態では、選択系列の中から報酬に適合するものを抽出する手段として強化学習を用いる。また、強化学習は、例えば深層強化学習であってもよい。
ニューラルネット管理機能部113は、更新されたパラメータ<ΔW>π,<Δθ>πをニューラルネットワークに反映して、パラメータを反映したニューラルネットワークに対して評価を行う。
報酬関数の第1例は、(バイアス)-(設備設置、廃棄、運営、保守コスト)である。
報酬関数の第1例は、設備毎にコストをモデル化(関数)にして、バイアスから引くことで正の報酬値として定義するようにしてもよい。なお、バイアスとは、報酬関数値が正値になるように適宜一定の正値として設定されるパラメータである。
本実施形態では、候補ノードを用いて次の行動を選択する例を説明する。
メタグラフ構造系列管理機能部111は、候補ノード処理機能を使ってもよい。本実施形態では、次の行動(アクション)候補として設備ノード追加の可能性のある関数を候補的にメタグラフに接続して、複数の行動候補に対する価値推定を並列に実行する方法を説明する。なお、情報処理装置1の構成は、第1の実施形態と同様である。
本実施形態では、計画系列案をサンプリングする処理の並列処理を行う例を説明する。なお、情報処理装置1の構成は、第1の実施形態と同様である。
図15は、本実施形態に係る設備変更計画案(推論)計算の流れを説明するための図である。図15は、A3C学習機能により獲得された方策関数を用いて、学習とは異なる外部環境データの場合での設備変更計画(変更系列)案を作成する主な計算処理と信号の流れを例示している。
システムの状態Sを入力として、次のステップでの行動(設備ノード変更)を、次式(4)を用いて決定する。
検討期間を通しての一連の変更計画系列が一つの設備変更計画に相当する。その計画に対応する累積報酬スコアが求まる。このように求められた計画案とそのスコアの組合の集合が計画案候補集合となる。
次に、管理機能部11は、例えばargmax関数で選択して、各試行(テスト)結果のG値のうち最大のテストに対応する計画{A1,…,AT}を抽出する。管理機能部11は、さらに上位の計画を抽出することもできる。
本実施形態によれば、一つ一つの計画系列案をサンプリングする処理(図16ではN回)を、並列処理することができる。
行動空間が二次元空間であるとすると、a=(a1,a2)で2つの空間の直積として考え、次式(6)のように表すことができる。なお、a1は1番目のノードであり、a2は2番目のノードである。
設備ノード更新方策モデルg201は、学習済みの方策関数であり、前述の過程で学習されたステップ毎の行動選択確率分布を示す。
課題設定機能g202は、初期のシステム構成、各ノードパラメータ初期化、外部環境データ、テストデータ、コストモデルなど課題定義、設定機能である。
最適累積スコア計画・表示機能g205は、サンプル集合の中から、最適なスコアのサンプルを選択、あるいはスコア順序にサンプルをならべて提示する。
機能設定UIg206は、各機能部の設定を行うユーザーインタフェースである。
ここでは、以下のような課題に対して実施形態の手法を適用した例を説明する。評価用電力系統システムモデルとして、図1に示したIEEE Case 14(Electrical Engineering, U. of Washington)を用いた。
I.系統システムモデル;IEEE Case14
II.課題;IEEE Case14変圧器の新設、削除の設備変更計画を計画期間(30更新機会)に亘って最小コストになるよう立案する。
III.条件;
III-1;初期状態:バス間に同じ仕様の変圧器(V_x)が配備されている。
III-2;各変圧器設備の運営コストは、以下の3種コスト(設置コスト、維持コスト、リスクコスト)の(加重)和とする。
・設置コスト;一過性コスト
・維持コスト;時間経過と負荷電力値に応じたコスト
・リスクコスト;万一システムダウンした場合の被害コスト(大きい)
IV.強化学習の報酬;(報酬)=(報酬バイアス)-(運営コスト)
・強化学習のアクションは、定期的に各変圧器のうち一つについて、設備戦略選択肢(増設、廃棄、何もしない)のうちから1つを選ぶ
V.需要負荷曲線はY年のデータ
VI.発電機、ラインの仕様はIEEEモデル
VII.評価(推論);Y年の翌年の電力需要データに対応する設備変更計画立案
符号g401の画像は、評価対象システムをメタグラフで表す画像例である。符号g402の画像は、対応実システムの回路図の画像である。符号g403の画像は、評価対象システムをニューラルネット構造で表した画像例である。符号g404の画像は、累積コストのうち、コストが安い上位3位の計画を表す画像例である。符号g405の画像は、累積最小コストが1位の具体的な設備変更計画を表す画像例(例えば図21)である。
利用者は、表示された計画案やコストなどを画像やグラフ等を確認することで、環境や状況に応じた最適な計画案を採用することができる。
第1の抽出例は、その集合Mの中から、平準化の設定レベルを満たすものから計画案とする。第2の抽出例は、コスト関数の係数を変更して計画案を作る。第2の抽出例では、例えば係数依存性の評価などを行う。第3の抽出例は、各設備の初期状態を変えて計画案を作る。第3の抽出例では、例えば初期状態依存性(検討期間初期の経年履歴など)評価を行う。
また、以上説明した少なくともひとつの実施形態によれば、システムに候補ノードを接続したニューラルネットワークを用いて、接続されたノードと候補ノードとの組み合わせを並列処理で評価することで、より高速な処理を行うことができる。
また、以上説明した少なくともひとつの実施形態によれば、スコアのよい計画案を表示装置3に提示するようにしたので、利用者が計画案を検討しやすくなる。
Claims (8)
- ノードとエッジに属性が対応付けられて定義され、システムの構造を表すグラフ構造のデータに基づいて、前記グラフ構造のデータを表すモデルに関するコンボリューション関数を定義する定義部と、
前記モデルに対して前記システムの状態を入力し、前記モデルに対して時間ステップ毎に想定し得る構造変化を生じさせた一以上の変更後モデルの体系について、前記時間ステップ毎に前記構造変化の確率分布として与えられる方策関数と強化学習に必要な状態価値関数とを求め、前記方策関数に基づいて前記システムの構造変化を評価する評価部と、
前記構造変化を前記システムに適用した場合に生じるコストである報酬値と、前記状態価値関数と、前記モデルとを用いて強化学習を行うことで、前記システムの構造変化を最適化する強化学習部と、
を備える情報処理装置。 - 前記定義部は、
前記システムが有する設備の設備種別に応じたコンボリューション関数を定義する、
請求項1に記載の情報処理装置。 - 前記強化学習部は、
前記強化学習を行った結果得られた前記コンボリューション関数の係数であるパラメータを前記定義部に出力し、
前記定義部は、
前記強化学習部が出力する前記パラメータに基づいて、前記コンボリューション関数のパラメータを更新し、
前記評価部は、
更新された前記パラメータを前記モデルに反映して、前記パラメータを反映した前記モデルに対して評価を行う、
請求項1または請求項2に記載の情報処理装置。 - 前記定義部は、
前記システムに前記構造変化の候補を、候補ノードとして前記グラフ構造に組み込み、前記候補ノードを、一方向性接続の前記コンボリューション関数として構成し、
前記評価部は、
前記一方向性接続の前記コンボリューション関数を用いて前記モデルを構成する、
請求項1から請求項3のいずれか1項に記載の情報処理装置。 - 前記評価部は、
前記グラフ構造に前記候補ノードを接続した前記モデルを用いて、前記候補ノードが接続されたノードと、前記候補ノードとの組み合わせ毎の前記モデルに対して並列処理で評価する、
請求項4に記載の情報処理装置。 - 前記評価部が評価した前記システムの構造変化を、前記システムの構造変化に関するコストとともに提示する提示部、をさらに備える、
請求項1から請求項5のいずれか1項に記載の情報処理装置。 - コンピュータに、
ノードとエッジに属性が対応付けられて定義され、システムの構造を表すグラフ構造のデータに基づいて、前記グラフ構造のデータを表すモデルに関するコンボリューション関数を定義させ、
前記モデルに対して前記システムの状態を入力させ、前記モデルに対して時間ステップ毎に想定し得る構造変化を生じさせた一以上の変更後モデルの体系について、前記時間ステップ毎に前記構造変化の確率分布として与えられる方策関数と強化学習に必要な状態価値関数とを求めさせ、前記方策関数に基づいて前記システムの構造変化を評価させ、
前記構造変化を前記システムに適用した場合に生じるコストである報酬値と、前記状態価値関数と、前記モデルとを用いて強化学習を行わせることで、前記システムの構造変化を最適化させる、
情報処理方法。 - コンピュータに、
ノードとエッジに属性が対応付けられて定義され、システムの構造を表すグラフ構造のデータに基づいて、前記グラフ構造のデータを表すモデルに関するコンボリューション関数を定義させ、
前記モデルに対して前記システムの状態を入力させ、前記モデルに対して時間ステップ毎に想定し得る構造変化を生じさせた一以上の変更後モデルの体系について、前記時間ステップ毎に前記構造変化の確率分布として与えられる方策関数と強化学習に必要な状態価値関数とを求めさせ、前記方策関数に基づいて前記システムの構造変化を評価させ、
前記構造変化を前記システムに適用した場合に生じるコストである報酬値と、前記状態価値関数と、前記モデルとを用いて強化学習を行わせることで、前記システムの構造変化を最適化させる、
プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019196584A JP7242508B2 (ja) | 2019-10-29 | 2019-10-29 | 情報処理装置、情報処理方法、およびプログラム |
CN202011146544.0A CN112749785A (zh) | 2019-10-29 | 2020-10-23 | 信息处理装置、信息处理方法以及程序 |
US17/082,738 US20210125067A1 (en) | 2019-10-29 | 2020-10-28 | Information processing device, information processing method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019196584A JP7242508B2 (ja) | 2019-10-29 | 2019-10-29 | 情報処理装置、情報処理方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021071791A JP2021071791A (ja) | 2021-05-06 |
JP7242508B2 true JP7242508B2 (ja) | 2023-03-20 |
Family
ID=75585266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019196584A Active JP7242508B2 (ja) | 2019-10-29 | 2019-10-29 | 情報処理装置、情報処理方法、およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210125067A1 (ja) |
JP (1) | JP7242508B2 (ja) |
CN (1) | CN112749785A (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210232913A1 (en) * | 2020-01-27 | 2021-07-29 | Honda Motor Co., Ltd. | Interpretable autonomous driving system and method thereof |
EP4310747A1 (en) * | 2021-03-18 | 2024-01-24 | Toshiba Energy Systems & Solutions Corporation | Information processing device, information processing method, and program |
JP7435533B2 (ja) | 2021-04-21 | 2024-02-21 | 株式会社デンソー | バルブ装置 |
CN113392781A (zh) * | 2021-06-18 | 2021-09-14 | 山东浪潮科学研究院有限公司 | 一种基于图神经网络的视频情感语义分析方法 |
FR3139007A1 (fr) | 2022-08-23 | 2024-03-01 | L'oreal | Composition convenant pour des traitements cosmétiques de substance kératineuse |
CN116205232B (zh) * | 2023-02-28 | 2023-09-01 | 之江实验室 | 一种确定目标模型的方法、装置、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077368A1 (en) | 2006-04-12 | 2008-03-27 | Edsa Micro Corporation | Automatic real-time optimization and intelligent control of electrical power distribution and transmission systems |
US20170061276A1 (en) | 2015-09-01 | 2017-03-02 | Google Inc. | Neural network for processing graph data |
JP2020178403A (ja) | 2019-04-16 | 2020-10-29 | 株式会社日立製作所 | 系統計画支援装置及び系統計画支援方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296044B (zh) * | 2016-10-08 | 2023-08-25 | 南方电网科学研究院有限责任公司 | 电力系统风险调度方法和系统 |
WO2018101476A1 (ja) * | 2016-12-01 | 2018-06-07 | 株式会社グリッド | 情報処理装置、情報処理方法及び情報処理プログラム |
JP6788555B2 (ja) * | 2017-08-07 | 2020-11-25 | 株式会社東芝 | 情報処理システム、情報処理装置、及び情報処理方法 |
JP6897446B2 (ja) * | 2017-09-19 | 2021-06-30 | 富士通株式会社 | 探索方法、探索プログラムおよび探索装置 |
US11710033B2 (en) * | 2018-06-12 | 2023-07-25 | Bank Of America Corporation | Unsupervised machine learning system to automate functions on a graph structure |
CN109635917B (zh) * | 2018-10-17 | 2020-08-25 | 北京大学 | 一种多智能体合作决策及训练方法 |
US11544535B2 (en) * | 2019-03-08 | 2023-01-03 | Adobe Inc. | Graph convolutional networks with motif-based attention |
-
2019
- 2019-10-29 JP JP2019196584A patent/JP7242508B2/ja active Active
-
2020
- 2020-10-23 CN CN202011146544.0A patent/CN112749785A/zh active Pending
- 2020-10-28 US US17/082,738 patent/US20210125067A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077368A1 (en) | 2006-04-12 | 2008-03-27 | Edsa Micro Corporation | Automatic real-time optimization and intelligent control of electrical power distribution and transmission systems |
US20170061276A1 (en) | 2015-09-01 | 2017-03-02 | Google Inc. | Neural network for processing graph data |
JP2020178403A (ja) | 2019-04-16 | 2020-10-29 | 株式会社日立製作所 | 系統計画支援装置及び系統計画支援方法 |
Non-Patent Citations (1)
Title |
---|
伊藤 秀将 ほか,グラフ構造深層強化学習による電力系統制御,FIT2019 第18回情報科学技術フォーラム 講演論文集 第2分冊,日本,一般社団法人 情報処理学会,2019年08月20日,F-012,p.277-281 |
Also Published As
Publication number | Publication date |
---|---|
US20210125067A1 (en) | 2021-04-29 |
JP2021071791A (ja) | 2021-05-06 |
CN112749785A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7242508B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Moonchai et al. | Short-term forecasting of renewable energy consumption: Augmentation of a modified grey model with a Kalman filter | |
Lan et al. | AI-based autonomous line flow control via topology adjustment for maximizing time-series ATCs | |
Mack et al. | Surrogate model-based optimization framework: a case study in aerospace design | |
US7536364B2 (en) | Method and system for performing model-based multi-objective asset optimization and decision-making | |
JP5768834B2 (ja) | プラントモデル管理装置及び方法 | |
JP7271216B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Lagaros et al. | Neurocomputing strategies for solving reliability‐robust design optimization problems | |
Sun et al. | Exploration of energy saving potential in China power industry based on Adaboost back propagation neural network | |
Chang et al. | A latent information function to extend domain attributes to improve the accuracy of small-data-set forecasting | |
WO2020145039A1 (ja) | データ生成装置、予測器学習装置、データ生成方法、及び学習方法 | |
KR101966558B1 (ko) | 장비 재고상태 및 수리부속 조달 요구를 시각화하는 시스템 및 방법 | |
Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
JP2020178403A (ja) | 系統計画支援装置及び系統計画支援方法 | |
Wang et al. | Research on integrating different methods of neural networks with case-based reasoning and rule-based system to infer causes of notebook computer breakdown | |
JP7060130B1 (ja) | 運用支援装置、運用支援方法及びプログラム | |
US20210373987A1 (en) | Reinforcement learning approach to root cause analysis | |
Rahman et al. | A Reinforcement Learning Approach to Predicting Human Design Actions Using a Data-Driven Reward Formulation | |
JP6984265B2 (ja) | 情報処理装置、情報処理方法、および、プログラム | |
JP7399724B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Gajzler | Hybrid advisory systems and the possibilities of it usage in the process of industrial flooring repairs | |
WO2022195807A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Tsirikoglou et al. | Optimization in probabilistic domains: an engineering approach | |
CN113168589B (zh) | 数据生成装置、预测器学习装置、数据生成方法和学习方法 | |
Yeh | Case–based approaches for preliminary design of steel building frames |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220324 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230125 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230308 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7242508 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |