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

• Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow [0.0]
  この研究は、AC-OPFを解くために物理インフォームドグラフニューラルネットワーク、PINCOを探索する。 PINCOは、電力系統における様々な負荷条件を効果的に一般化する。 解法としてもハイブリッド普遍関数近似器としても機能する。
  論文  参考訳（メタデータ） (2024-10-07T08:08:36Z)
• Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow [0.0]
  AC最適電力流(AC-OPF)問題は、電力系統の運用には不可欠である。 本稿では,単純化と解釈性を融合したニューラルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-30T14:38:43Z)
• Learning Optimal Power Flow Value Functions with Input-Convex Neural Networks [15.791200937436837]
  最適電力流(OPF)問題は電力システムに不可欠な問題であり、分散制約に固執しながら発電を最適化することを目的としている。 本研究は、他の凸依存決定問題と結合しながら、オンライン環境でより高速な分析を学習するための機械学習(ML)について検討する。
  論文  参考訳（メタデータ） (2023-10-06T21:48:39Z)
• 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 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)
• 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)
• 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。