論文の概要: A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations

• arxiv url: http://arxiv.org/abs/2012.11524v1
• Date: Mon, 21 Dec 2020 17:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 06:17:15.118819
• Title: A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations
• Title（参考訳）: トポロジー再構成下における最適潮流問題のメタラーニング
• Authors: Yexiang Chen, Subhash Lakshminarayana, Carsten Maple, H. Vincent Poor
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.73803123972297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, there has been a surge of interest in adopting deep neural networks (DNNs) for solving the optimal power flow (OPF) problem in power systems. Computing optimal generation dispatch decisions using a trained DNN takes significantly less time when compared to using conventional optimization solvers. However, a major drawback of existing work is that the machine learning models are trained for a specific system topology. Hence, the DNN predictions are only useful as long as the system topology remains unchanged. Changes to the system topology (initiated by the system operator) would require retraining the DNN, which incurs significant training overhead and requires an extensive amount of training data (corresponding to the new system topology). To overcome this drawback, we propose a DNN-based OPF predictor that is trained using a meta-learning (MTL) approach. The key idea behind this approach is to find a common initialization vector that enables fast training for any system topology. The developed OPF-predictor is validated through simulations using benchmark IEEE bus systems. The results show that the MTL approach achieves significant training speeds-ups and requires only a few gradient steps with a few data samples to achieve high OPF prediction accuracy.
• Abstract（参考訳）: 近年,電力系統の最適電力フロー (OPF) 問題を解決するために,ディープニューラルネットワーク (DNN) を採用することへの関心が高まっている。 訓練されたDNNを用いた最適生成のディスパッチ決定の計算には、従来の最適化解法に比べて大幅に時間がかかる。 しかし、既存の研究の大きな欠点は、機械学習モデルが特定のシステムトポロジのために訓練されていることである。 したがって、DNN予測はシステムトポロジが変化しない限りは有用である。 システムトポロジの変更(システムオペレーターによる開始)では、DNNの再トレーニングが必要となり、トレーニングのオーバーヘッドが大きくなり、大量のトレーニングデータが必要になる(新しいシステムトポロジに対応する)。 この欠点を克服するために,メタラーニング(mtl)アプローチで学習するdnnベースのopf予測器を提案する。 このアプローチの鍵となる考え方は、任意のシステムトポロジの高速なトレーニングを可能にする共通の初期化ベクトルを見つけることである。 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。 その結果, MTL 法はトレーニングの高速化を実現し, OPF 予測精度を高めるためには, 少数のデータサンプルと数段の勾配ステップしか必要としないことがわかった。

関連論文リスト

• Graph Neural Network-Accelerated Network-Reconfigured Optimal Power Flow [0.24554686192257422]
  本稿では、特にグラフニューラルネットワーク(GNN)を利用した機械学習(ML)に基づくアプローチを提案する。 GNNモデルは最適化段階に入る前に最高のトポロジを予測するためにオフラインで訓練される。 高速なオンラインポストML選択層も提案され、GNN予測を分析し、高い信頼性で予測されたNRソリューションのサブセットを選択する。
  論文  参考訳（メタデータ） (2024-10-22T22:35:09Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Decouple Graph Neural Networks: Train Multiple Simple GNNs Simultaneously Instead of One [60.5818387068983]
  グラフニューラルネットワーク(GNN)は、深刻な非効率性に悩まされている。 我々は,より効率的なトレーニングを行うために,多層GNNを複数の単純なモジュールとして分離することを提案する。 提案するフレームワークは,合理的な性能で高い効率性を示す。
  論文  参考訳（メタデータ） (2023-04-20T07:21:32Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• DNN Training Acceleration via Exploring GPGPU Friendly Sparsity [16.406482603838157]
  本稿では、従来のランダムなニューロンやシナプスのドロップアウトを、通常のオンラインの行ベースもしくはタイルベースのドロップアウトパターンに置き換える近似ランダムドロップアウトを提案する。 次に,SGDに基づく探索アルゴリズムを開発し,行ベースあるいはタイルベースのドロップアウトパターンの分布を生成し,潜在的な精度損失を補う。 また,入力特徴図をその感度に基づいて動的にドロップアウトし,前向きおよび後向きのトレーニングアクセラレーションを実現するための感度対応ドロップアウト手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:32:03Z)
• 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)
• U-FNO -- an enhanced Fourier neural operator based-deep learning model for multiphase flow [43.572675744374415]
  多相フロー問題を解くための拡張フーリエニューラル演算子U-FNOを提案する。 U-FNOアーキテクチャは従来のCNNとオリジナルFNOの両方の利点があり、より正確で効率的な性能を提供する。 訓練されたU-FNOは、従来の数値シミュレータと比較して1万倍の速度でガス飽和と圧力上昇を予測する。
  論文  参考訳（メタデータ） (2021-09-03T17:52:25Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• 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)

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。