論文の概要: Load Embeddings for Scalable AC-OPF Learning

• arxiv url: http://arxiv.org/abs/2101.03973v1
• Date: Mon, 11 Jan 2021 15:28:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 14:26:33.129284
• Title: Load Embeddings for Scalable AC-OPF Learning
• Title（参考訳）: スケーラブルなAC-OPF学習のための負荷埋め込み
• Authors: Terrence W.K. Mak and Ferdinando Fioretto and Pascal VanHentenryck
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.79747973916068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AC Optimal Power Flow (AC-OPF) is a fundamental building block in power system optimization. It is often solved repeatedly, especially in regions with large penetration of renewable generation, to avoid violating operational limits. Recent work has shown that deep learning can be effective in providing highly accurate approximations of AC-OPF. However, deep learning approaches may suffer from scalability issues, especially when applied to large realistic grids. This paper addresses these scalability limitations and proposes a load embedding scheme using a 3-step approach. The first step formulates the load embedding problem as a bilevel optimization model that can be solved using a penalty method. The second step learns the encoding optimization to quickly produce load embeddings for new OPF instances. The third step is a deep learning model that uses load embeddings to produce accurate AC-OPF approximations. The approach is evaluated experimentally on large-scale test cases from the NESTA library. The results demonstrate that the proposed approach produces an order of magnitude improvements in training convergence and prediction accuracy.
• Abstract（参考訳）: AC Optimal Power Flow (AC-OPF)は、電力系統最適化の基本的な構成要素である。 特に再生可能エネルギーが普及している地域では、運用上の限界に違反することを避けるために繰り返し解決されることが多い。 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。 しかし、ディープラーニングのアプローチは、特に大規模な現実的なグリッドに適用する場合、スケーラビリティの問題に苦しむ可能性がある。 本稿では,これらのスケーラビリティの限界に対処し,3段階のアプローチを用いた負荷埋め込み方式を提案する。 第1ステップは、負荷埋め込み問題をペナルティ法を用いて解決可能な二段階最適化モデルとして定式化する。 第2のステップはエンコーディング最適化を学び、新しいopfインスタンスのロード埋め込みを迅速に生成する。 3番目のステップは、負荷埋め込みを使用して正確なAC-OPF近似を生成するディープラーニングモデルである。 このアプローチはnestaライブラリから大規模テストケースで実験的に評価される。 その結果,提案手法はトレーニングの収束度と予測精度を大幅に向上させることがわかった。

関連論文リスト

• LESA: Learnable LLM Layer Scaling-Up [57.0510934286449]
  LLM(Large Language Models)をスクラッチからトレーニングするには膨大な計算資源が必要であるため、非常に高価である。 モデルスケーリングアップは、より小さなモデルのパラメータを活用してより大きなモデルを作成することで、有望なソリューションを提供する。 深度スケールアップのための新しい学習方法である textbfLESA を提案する。
  論文  参考訳（メタデータ） (2025-02-19T14:58:48Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [0.0]
  この論文は、交流電流(AC)制約(CC)パワーフロー(OPF)問題を解決するために、機械学習に基づくデータ駆動アルゴリズムの開発に焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-17T19:30:33Z)
• Dual Conic Proxies for AC Optimal Power Flow [16.02181642119643]
  既存の学習ベースのアプローチでは、AC-OPFに有効な二重境界は提供できない。 本稿では,AC-OPFの凸緩和のための最適化プロキシをトレーニングすることで,このギャップを解消する。 本稿は、この新しいアーキテクチャと自己教師付き学習スキームを組み合わせることで、データ生成の費用のかかるトレーニングの必要性を軽減する。
  論文  参考訳（メタデータ） (2023-10-04T17:06:30Z)
• 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)
• 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)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• 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)
• Self Normalizing Flows [65.73510214694987]
  本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。 これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。 実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
  論文  参考訳（メタデータ） (2020-11-14T09:51:51Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。