論文の概要: Smart-PGSim: Using Neural Network to Accelerate AC-OPF Power Grid Simulation

• arxiv url: http://arxiv.org/abs/2008.11827v1
• Date: Wed, 26 Aug 2020 21:31:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 22:30:54.325405
• Title: Smart-PGSim: Using Neural Network to Accelerate AC-OPF Power Grid Simulation
• Title（参考訳）: Smart-PGSim: ニューラルネットワークによるAC-OPF電力グリッドシミュレーションの高速化
• Authors: Wenqian Dong, Zhen Xie, Gokcen Kestor and Dong Li
• Abstract要約: 我々は、電流最適潮流(AC-OPF)を加速する問題に対するニューラルネットワークアプローチを開発する。 Smart-PGSimは、AC-OPFシミュレーションを高速化するために、新しいマルチタスク学習ニューラルネットワークモデルを生成する。
• 参考スコア（独自算出の注目度）: 6.455450866860673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The optimal power flow (OPF) problem is one of the most important optimization problems for the operation of the power grid. It calculates the optimum scheduling of the committed generation units. In this paper, we develop a neural network approach to the problem of accelerating the current optimal power flow (AC-OPF) by generating an intelligent initial solution. The high quality of the initial solution and guidance of other outputs generated by the neural network enables faster convergence to the solution without losing optimality of final solution as computed by traditional methods. Smart-PGSim generates a novel multitask-learning neural network model to accelerate the AC-OPF simulation. Smart-PGSim also imposes the physical constraints of the simulation on the neural network automatically. Smart-PGSim brings an average of 49.2% performance improvement (up to 91%), computed over 10,000 problem simulations, with respect to the original AC-OPF implementation, without losing the optimality of the final solution.
• Abstract（参考訳）: 最適電力フロー問題(OPF)は電力グリッドの運用において最も重要な最適化問題の一つである。 コミットした生成ユニットの最適スケジューリングを算出する。 本稿では、知的初期解を生成することにより、現在の最適電力流(AC-OPF)を加速する問題に対するニューラルネットワークアプローチを開発する。 ニューラルネットワークによる初期解の高品質化と他の出力の誘導は、従来の手法で計算された最終解の最適性を失うことなく、解への迅速な収束を可能にする。 Smart-PGSimは、AC-OPFシミュレーションを高速化するために、新しいマルチタスク学習ニューラルネットワークモデルを生成する。 Smart-PGSimはまた、ニューラルネットワーク上でシミュレーションの物理的制約を自動的に課す。 Smart-PGSimは平均49.2%のパフォーマンス改善(最大91%)をもたらし、最終解の最適性を失うことなく1万以上の問題シミュレーションを計算した。

関連論文リスト

• QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints [4.1920378271058425]
  本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。 提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
  論文  参考訳（メタデータ） (2024-01-11T20:17:44Z)
• GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
  Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。 CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
  論文  参考訳（メタデータ） (2023-02-16T17:59:06Z)
• Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
  グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。 深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。 問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
  論文  参考訳（メタデータ） (2022-12-23T17:00:00Z)
• 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)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Physics-Informed Neural Networks for Minimising Worst-Case Violations in DC Optimal Power Flow [0.0]
  物理インフォームドニューラルネットワークは、基礎となる物理システムの既存のモデルを利用して、少ないデータで高精度な結果を生成する。 このようなアプローチは、計算時間を劇的に削減し、電力システムにおける計算集約的なプロセスの優れた見積を生成するのに役立つ。 このようなニューラルネットワークは、電力系統における安全クリティカルな応用に適用でき、電力系統運用者の間で高い信頼関係を構築することができる。
  論文  参考訳（メタデータ） (2021-06-28T10:45:22Z)
• 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)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)
• Adaptive Neural Network-Based Approximation to Accelerate Eulerian Fluid Simulation [9.576796509480445]
  モデル生成とアプリケーションを自動化するフレームワークであるSmartfluidnetを紹介します。 Smartfluidnetはシミュレーションの前に複数のニューラルネットワークを生成し、実行時間とシミュレーション品質要件を満たす。 We show that Smartfluidnet achieve a 1.46x and 590x speedup compared with a state-of-the-art neural network model and the original fluid Simulation。
  論文  参考訳（メタデータ） (2020-08-26T21:44:44Z)
• 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)
• Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow [0.0]
  本稿では,それまでの難解な最適化制約を捕捉し,それらを混合整数線形プログラムに変換するフレームワークを提案する。 我々は,N-1セキュリティと小信号安定性を考慮した電力系統運用へのアプローチを実証し,コスト最適解を効率的に得る方法を示した。
  論文  参考訳（メタデータ） (2020-03-17T21:01:17Z)

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。