論文の概要: Spatial Network Decomposition for Fast and Scalable AC-OPF Learning

• arxiv url: http://arxiv.org/abs/2101.06768v1
• Date: Sun, 17 Jan 2021 20:09:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 20:20:48.729809
• Title: Spatial Network Decomposition for Fast and Scalable AC-OPF Learning
• Title（参考訳）: 高速かつスケーラブルなAC-OPF学習のための空間ネットワーク分解
• Authors: Minas Chatzos and Terrence W.K. Mak and Pascal Van Hentenryck
• Abstract要約: 提案手法は, 電力網の空間分解を利用した2段階の手法で, 一連の領域として捉える。 短いトレーニング時間の中で、このアプローチはAC-OPFソリューションを非常に高い忠実度と小さな制約違反で予測します。 その結果,ac-opf目標の0.03%以内で実現可能な解を返すために,負荷フロー最適化をシードできることがわかった。
• 参考スコア（独自算出の注目度）: 14.057864778644776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel machine-learning approach for predicting AC-OPF solutions that features a fast and scalable training. It is motivated by the two critical considerations: (1) the fact that topology optimization and the stochasticity induced by renewable energy sources may lead to fundamentally different AC-OPF instances; and (2) the significant training time needed by existing machine-learning approaches for predicting AC-OPF. The proposed approach is a 2-stage methodology that exploits a spatial decomposition of the power network that is viewed as a set of regions. The first stage learns to predict the flows and voltages on the buses and lines coupling the regions, and the second stage trains, in parallel, the machine-learning models for each region. Experimental results on the French transmission system (up to 6,700 buses and 9,000 lines) demonstrate the potential of the approach. Within a short training time, the approach predicts AC-OPF solutions with very high fidelity and minor constraint violations, producing significant improvements over the state-of-the-art. The results also show that the predictions can seed a load flow optimization to return a feasible solution within 0.03% of the AC-OPF objective, while reducing running times significantly.
• Abstract（参考訳）: 本稿では、高速でスケーラブルなトレーニングを特徴とするAC-OPFソリューションを予測するための新しい機械学習手法を提案する。 1) トポロジ最適化と再生可能エネルギー源による確率性が, 基本的に異なるAC-OPFインスタンスに繋がる可能性, (2) 既存の機械学習手法によるAC-OPF予測に要する重要なトレーニング時間である。 提案手法は,領域の集合と見なされる電力ネットワークの空間分解を利用する2段階の手法である。 第1段は、各領域を結合したバスと線路の流速と電圧を予測することを学び、第2段は、各領域の機械学習モデルと並行して訓練を行う。 フランスのトランスミッションシステム(最大6,700のバスと9000の路線)の実験結果は、このアプローチの可能性を示している。 短いトレーニング時間内に、このアプローチは、非常に高い忠実度と小さな制約違反を持つAC-OPFソリューションを予測し、最先端技術よりも大幅に改善する。 また,ac-opf目標の0.03%以内で実現可能な解を返すように負荷フロー最適化を施し,実行時間を大幅に削減できることを示した。

関連論文リスト

• Dual Conic Proxy for Semidefinite Relaxation of AC Optimal Power Flow [16.02181642119643]
  本稿では,半定値緩和ACOPF問題に対する二重円錐プロキシアーキテクチャを提案する。 提案手法は, 双対SDP問題の構造を生かした, 微分可能な双対ニューラルネットワーク戦略を組み合わせたものである。 その結果、提案したSDPベースのプロキシは、より弱い円錐緩和より優れることが示された。
  論文  参考訳（メタデータ） (2025-02-10T19:18:18Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• 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)
• 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)
• 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)
• 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。