Fugu-MT 論文翻訳(概要): Deep learning architectures for inference of AC-OPF solutions

論文の概要: Deep learning architectures for inference of AC-OPF solutions

arxiv url: http://arxiv.org/abs/2011.03352v2
Date: Tue, 1 Dec 2020 10:03:18 GMT
ステータス: 処理完了
システム内更新日: 2022-09-29 05:51:13.308174
Title: Deep learning architectures for inference of AC-OPF solutions
Title（参考訳）: AC-OPFソリューション推論のためのディープラーニングアーキテクチャ
Authors: Thomas Falconer and Letif Mones
Abstract要約: 本稿では、AC-OPFソリューションの推論のためのニューラルネットワーク(NN)アーキテクチャの体系的比較について述べる。本稿では,グラフ領域における電力網の抽象表現を構築することにより,モデルにおけるネットワークトポロジの活用の有効性を示す。
参考スコア（独自算出の注目度）: 0.4061135251278187
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a systematic comparison between neural network (NN) architectures for inference of AC-OPF solutions. Using fully connected NNs as a baseline we demonstrate the efficacy of leveraging network topology in the models by constructing abstract representations of electrical grids in the graph domain, for both convolutional and graph NNs. The performance of the NN architectures is compared for regression (predicting optimal generator set-points) and classification (predicting the active set of constraints) settings. Computational gains for obtaining optimal solutions are also presented.
Abstract（参考訳）: 本稿では、AC-OPFソリューションの推論のためのニューラルネットワーク(NN)アーキテクチャの体系的比較を示す。完全連結nnsをベースラインとして、畳み込みnnとグラフnnの両方に対して、グラフ領域における電気グリッドの抽象表現を構築することにより、モデル内のネットワークトポロジーを活用する効果を実証する。 NNアーキテクチャの性能は、回帰(最適なジェネレータセットポイントの予測)と分類(アクティブな制約セットの予測)で比較される。最適解を得るための計算ゲインも提示する。

関連論文リスト

Distance Recomputator and Topology Reconstructor for Graph Neural Networks [22.210886585639063]
グラフニューラルネットワーク(GNN)の強化を目的とした距離再計算手法とトポロジー再構成手法を導入する。 Distance Recomputatorは動的符号化方式を用いてノード距離を動的に補正し、ノード表現の精度と適応性を向上させる。トポロジー再構成器は、計算された「類似性距離」に基づいて局所グラフ構造を調整し、学習結果を改善するためにネットワーク構成を最適化する。
論文参考訳（メタデータ） (2024-06-25T05:12:51Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions [18.63828570982923]
我々は、ac-OPF問題の最適解を予測するために、新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。 NNモデルにグリッドトポロジを組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧等級の局所性特性を利用する。提案設計の利点は、モデル複雑性の低減、一般化可能性の向上、実現可能性の保証である。
論文参考訳（メタデータ） (2022-05-16T23:36:37Z)
Neural Structured Prediction for Inductive Node Classification [29.908759584092167]
本稿では,ラベル付き学習グラフのモデルを学習し,未ラベルの試験グラフ上でノードラベルを推論するために一般化することを目的とした,帰納的環境におけるノード分類について検討する。本稿では,両者の利点を組み合わせたSPN(Structured Proxy Network)という新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-04-15T15:50:27Z)
Universal approximation property of invertible neural networks [76.95927093274392]
Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
論文参考訳（メタデータ） (2022-04-15T10:45:26Z)
Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
論文参考訳（メタデータ） (2022-01-27T20:23:24Z)
Leveraging power grid topology in machine learning assisted optimal power flow [0.5076419064097734]
機械学習支援最適電力フロー(OPF)は、非線形および非制約電力フロー問題の計算複雑性を低減することを目的としている。我々は,機械支援OPFの2つの基本的アプローチに対して,さまざまなFCNN,CNN,GNNモデルの性能を評価する。相互接続されたユーティリティを持ついくつかの合成格子に対して,特徴変数と対象変数の間の局所性特性は乏しいことを示す。
論文参考訳（メタデータ） (2021-10-01T10:39:53Z)
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)
A Deep-Unfolded Reference-Based RPCA Network For Video Foreground-Background Separation [86.35434065681925]
本稿では,ロバスト主成分分析(RPCA)問題に対するディープアンフォールディングに基づくネットワーク設計を提案する。既存の設計とは異なり,本手法は連続するビデオフレームのスパース表現間の時間的相関をモデル化することに焦点を当てている。移動MNISTデータセットを用いた実験により、提案したネットワークは、ビデオフォアグラウンドとバックグラウンドの分離作業において、最近提案された最先端のRPCAネットワークより優れていることが示された。
論文参考訳（メタデータ） (2020-10-02T11:40:09Z)
Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文参考訳（メタデータ） (2020-07-03T01:37:16Z)
Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。