論文の概要: Learning to Solve AC Optimal Power Flow by Differentiating through
Holomorphic Embeddings
- arxiv url: http://arxiv.org/abs/2012.09622v1
- Date: Wed, 16 Dec 2020 18:23:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 02:40:40.695200
- Title: Learning to Solve AC Optimal Power Flow by Differentiating through
Holomorphic Embeddings
- Title(参考訳): 正則埋め込みの微分による交流最適潮流の解法
- Authors: Henning Lange, Bingqing Chen, Mario Berges, Soummya Kar
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 17.338923885534193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alternating current optimal power flow (AC-OPF) is one of the fundamental
problems in power systems operation. AC-OPF is traditionally cast as a
constrained optimization problem that seeks optimal generation set points
whilst fulfilling a set of non-linear equality constraints -- the power flow
equations. With increasing penetration of renewable generation, grid operators
need to solve larger problems at shorter intervals. This motivates the research
interest in learning OPF solutions with neural networks, which have fast
inference time and is potentially scalable to large networks. The main
difficulty in solving the AC-OPF problem lies in dealing with this equality
constraint that has spurious roots, i.e. there are assignments of voltages that
fulfill the power flow equations that however are not physically realizable.
This property renders any method relying on projected-gradients brittle because
these non-physical roots can act as attractors. In this paper, we show
efficient strategies that circumvent this problem by differentiating through
the operations of a power flow solver that embeds the power flow equations into
a holomorphic function. The resulting learning-based approach is validated
experimentally on a 200-bus system and we show that, after training, the
learned agent produces optimized power flow solutions reliably and fast.
Specifically, we report a 12x increase in speed and a 40% increase in
robustness compared to a traditional solver. To the best of our knowledge, this
approach constitutes the first learning-based approach that successfully
respects the full non-linear AC-OPF equations.
- Abstract(参考訳): 交流最適潮流(AC-OPF)は電力系統の運用における基本的な問題の一つである。
AC-OPFは伝統的に、最適生成セットポイントを求める制約付き最適化問題として、非線型平等制約の集合(電力フロー方程式)を満たす。
再生可能発電の普及に伴い、グリッドオペレーターはより短い間隔でより大きな問題を解決する必要がある。
これにより、高速推論時間を持ち、大規模ネットワークに拡張可能なニューラルネットワークでopfソリューションを学ぶことに対する研究の関心が高まる。
AC-OPF問題の解決における主な困難は、この等式制約を扱うことにある。
パワーフロー方程式を満たす電圧の割り当てがあるが、物理的には実現できない。
この性質は、これらの非物理的根が誘引子として振る舞うことができるため、射影勾配の脆さに依存する任意の方法を示す。
本稿では,電力フロー方程式を正則関数に組み込む電力フローソルバの演算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。
得られた学習ベースのアプローチは,200バスシステム上で実験的に検証され,訓練後,学習エージェントが確実に高速に最適化されたパワーフローソリューションを生成できることが示されている。
具体的には,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。
我々の知る限り、このアプローチは完全な非線形AC-OPF方程式をうまく尊重する最初の学習ベースのアプローチを構成する。
関連論文リスト
- Model-Informed Generative Adversarial Network (MI-GAN) for Learning
Optimal Power Flow [2.9180317386270804]
最適電力流(OPF)問題は、電力系統にたらされる再生可能エネルギーの変動性、断続性、予測不可能性により、解決がますます困難になっている。
ニューラルネットワークのようなディープラーニング技術は最近、大規模OPF問題を解決する際の計算効率を改善するために開発されている。
本稿では,不確実性下でOPFを解決するための最適化モデルインフォームド・ジェネレーティブ・逆数ネットワーク(MI-GAN)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-04T00:37:37Z) - Message Passing Neural PDE Solvers [60.77761603258397]
偏微分方程式(PDE)の数値解は困難であり、これまでの1世紀にわたる研究に繋がった。
近年、ニューラルネットワークと数値のハイブリッド・ソルバの構築が推進されており、これは現代のエンドツーエンドの学習システムへのトレンドを後押ししている。
この研究では、すべてのコンポーネントがニューラルメッセージパッシングに基づいて、これらの特性を満たす解決器を構築します。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Factorized Fourier Neural Operators [77.47313102926017]
Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。
我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
論文 参考訳(メタデータ) (2021-11-27T03:34:13Z) - Adversarially Robust Learning for Security-Constrained Optimal Power
Flow [55.816266355623085]
我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。
N-k SCOPFは電力網の運用における中核的な問題である。
N-k SCOPF を極小最適化問題とみなす。
論文 参考訳(メタデータ) (2021-11-12T22:08:10Z) - Physics-Informed Neural Networks for AC Optimal Power Flow [0.0]
本稿では,AC-OPFの結果を正確に推定する物理インフォームドニューラルネットワークを初めて紹介する。
物理インフォームドニューラルネットワークは,従来のニューラルネットワークよりも精度が高く,制約違反も少ないことを示す。
論文 参考訳(メタデータ) (2021-10-06T11:44:59Z) - 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) - Load Embeddings for Scalable AC-OPF Learning [46.79747973916068]
AC Optimal Power Flow (AC-OPF) は、電力系統最適化におけるビルディングブロックである。
近年の研究では,AC-OPFの高精度な近似にディープラーニングが有効であることが示されている。
本稿では,これらのスケーラビリティの限界に対処し,3ステップアプローチによるロード埋め込み方式を提案する。
論文 参考訳(メタデータ) (2021-01-11T15:28:38Z) - 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)
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。