論文の概要: DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems

• arxiv url: http://arxiv.org/abs/2007.01002v6
• Date: Fri, 1 Jul 2022 04:45:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 15:03:15.787457
• Title: DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems
• Title（参考訳）: DeepOPF:交流最適潮流問題に対する実現可能性最適化ディープニューラルネットワークアプローチ
• Authors: Xiang Pan, Minghua Chen, Tianyu Zhao, and Steven H. Low
• Abstract要約: 我々は、従来の解法で使用されるわずかな時間でAC-OPF問題を解決するために、DeepOPFと呼ばれるディープニューラルネットワーク(DNN)アプローチを開発した。 我々はDeepOPFが最先端の解法と比較して最大2桁の計算時間を高速化することを示した。
• 参考スコア（独自算出の注目度）: 25.791128241015684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High percentage penetrations of renewable energy generations introduce significant uncertainty into power systems. It requires grid operators to solve alternative current optimal power flow (AC-OPF) problems more frequently for economical and reliable operation in both transmission and distribution grids. In this paper, we develop a Deep Neural Network (DNN) approach, called DeepOPF, for solving AC-OPF problems in a fraction of the time used by conventional solvers. A key difficulty for applying machine learning techniques for solving AC-OPF problems lies in ensuring that the obtained solutions respect the equality and inequality physical and operational constraints. Generalized the 2-stage procedure in [1], [2], DeepOPF first trains a DNN model to predict a set of independent operating variables and then directly compute the remaining dependable ones by solving power flow equations. Such an approach not only preserves the power-flow balance equality constraints but also reduces the number of variables to predict by the DNN, cutting down the number of neurons and training data needed. DeepOPF then employs a penalty approach with a zero-order gradient estimation technique in the training process to preserve the remaining inequality constraints. As another contribution, we drive a condition for tuning the size of the DNN according to the desired approximation accuracy, which measures the DNN generalization capability. It provides theoretical justification for using DNN to solve the AC-OPF problem. Simulation results of IEEE 30/118/300-bus and a synthetic 2000-bus test cases show that DeepOPF speeds up the computing time by up to two orders of magnitude as compared to a state-of-the-art solver, at the expense of $<$0.1% cost difference.
• Abstract（参考訳）: 再生可能エネルギー世代の割合の高い普及は、電力システムに重大な不確実性をもたらす。 送電網と配電網の両方で経済的かつ信頼性の高い運用を行うためには、グリッドオペレーターが代替の最適電力流(AC-OPF)問題をより頻繁に解く必要がある。 本稿では,従来の解法におけるAC-OPF問題の解法として,ディープ・ニューラル・ニューラルネットワーク(Deep Neural Network, DNN)アプローチ(DeepOPF)を開発した。 AC-OPF問題を解決するための機械学習技術を適用する上で重要な困難は、得られた解が物理的および操作上の制約の等式と不等式を尊重することを保証することである。 [1],[2]の2段階の手順を一般化し、DeepOPFはまずDNNモデルを訓練し、独立な操作変数の集合を予測し、その後、電力フロー方程式を解くことによって、残りの信頼できる変数を直接計算する。 このようなアプローチは、パワーフロー均衡の制約を保存するだけでなく、DNNによって予測される変数の数を減らし、ニューロンの数を削減し、必要なデータをトレーニングする。 DeepOPFは、残りの不等式制約を保存するために、トレーニングプロセスにゼロ階勾配推定手法を用いたペナルティアプローチを採用する。 別の貢献として、DNNの一般化能力を測定する所望の近似精度に応じて、DNNのサイズを調整する条件を駆動する。 これは、AC-OPF問題を解決するためにDNNを使用する理論的正当性を提供する。 IEEE 30/118/300-bus と合成 2000-bus テストケースのシミュレーション結果から,DeepOPF の計算時間は,最先端の解法に比べて最大2桁高速化され,コスト差は$<0.1%であった。

関連論文リスト

• Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian Duality [3.412750324146571]
  AC最適電力フローは電力系統解析における基本的な最適化問題である。 ディープラーニングベースのアプローチは、時間を要するトレーニングプロセスをオフラインで実行するために、集中的に注目を集めています。 本稿では,AC-OPFのためのエンドツーエンドな教師なし学習基盤を提案する。
  論文  参考訳（メタデータ） (2022-12-07T22:26:45Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• DeepOPF-V: Solving AC-OPF Problems Efficiently [12.512036656559683]
  ディープニューラルネットワークに基づく電圧制約手法(DeepOPF-V)を提案し,高い計算効率で実現可能な解を求める。 DeepOPF-Vは最大3桁のスピードアップを実現し、ソリューションの実現性を維持する上で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-03-22T12:59:06Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings [17.338923885534193]
  交流の最適電力の流れ(AC-OPF)は電力系統操作の基本的な問題の1つです。 本稿では,電力フローソルバの動作を微分することにより,この問題を回避する効率的な戦略を示す。 従来の解法に比べて12倍の速度向上と40%の堅牢性向上を報告した。
  論文  参考訳（メタデータ） (2020-12-16T18:23:51Z)
• High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
  AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。 本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
  論文  参考訳（メタデータ） (2020-06-29T20:22:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。