論文の概要: Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2103.14779v1
• Date: Sat, 27 Mar 2021 00:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:43:38.858347
• Title: Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks
• Title（参考訳）: 感性インフォームドニューラルネットワークを用いたAC-OPFの学習
• Authors: Manish K. Singh, Vassilis Kekatos, and Georgios B. Giannakis
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.32646357164739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To shift the computational burden from real-time to offline in delay-critical power systems applications, recent works entertain the idea of using a deep neural network (DNN) to predict the solutions of the AC optimal power flow (AC-OPF) once presented load demands. As network topologies may change, training this DNN in a sample-efficient manner becomes a necessity. To improve data efficiency, this work utilizes the fact OPF data are not simple training labels, but constitute the solutions of a parametric optimization problem. We thus advocate training a sensitivity-informed DNN (SI-DNN) to match not only the OPF optimizers, but also their partial derivatives with respect to the OPF parameters (loads). It is shown that the required Jacobian matrices do exist under mild conditions, and can be readily computed from the related primal/dual solutions. The proposed SI-DNN is compatible with a broad range of OPF solvers, including a non-convex quadratically constrained quadratic program (QCQP), its semidefinite program (SDP) relaxation, and MATPOWER; while SI-DNN can be seamlessly integrated in other learning-to-OPF schemes. Numerical tests on three benchmark power systems corroborate the advanced generalization and constraint satisfaction capabilities for the OPF solutions predicted by an SI-DNN over a conventionally trained DNN, especially in low-data setups.
• Abstract（参考訳）: 遅延クリティカルな電力システムアプリケーションにおいて計算負荷をリアルタイムからオフラインにシフトするために、最近の研究は、負荷要求が提示されたときのAC最適電力フロー(AC-OPF)の解を予測するためにディープニューラルネットワーク(DNN)を使用するというアイデアを楽しませている。 ネットワークトポロジが変化するにつれて、サンプル効率のよい方法でDNNを訓練する必要がある。 データ効率を向上させるため、OPFデータは単純なトレーニングラベルではなく、パラメトリック最適化問題の解を構成する。 そこで我々は、OPFオプティマイザだけでなく、OPFパラメータ(負荷)に関する偏微分も一致させるために、感度インフォームドDNN(SI-DNN)のトレーニングを提唱する。 必要なヤコビ行列は穏やかな条件下で存在し、関連する原始/双対解から容易に計算できることが示されている。 提案したSI-DNNは、非凸2次2次プログラム(QCQP)、半定値プログラム(SDP)緩和、MATPOWERを含む幅広いOPFソルバと互換性があり、SI-DNNは他の学習とOPFのスキームにシームレスに統合できる。 3つのベンチマークパワーシステムの数値実験は、SI-DNNによって予測されるOPFソリューションの高度な一般化と制約満足度を従来の訓練されたDNN、特に低データ設定で相関する。

関連論文リスト

• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• 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)
• Optimal Power Flow Based on Physical-Model-Integrated Neural Network with Worth-Learning Data Generation [1.370633147306388]
  本稿では,物理モデル統合ニューラルネットワーク(NN)に基づくOPF解法を提案する。 提案手法は,従来のNN解法に比べて50%以上の制約違反と最適性損失を減少させることを示した。
  論文  参考訳（メタデータ） (2023-01-10T03:06:08Z)
• Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
  制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。 この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
  論文  参考訳（メタデータ） (2022-12-25T15:40:05Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Controlling Smart Inverters using Proxies: A Chance-Constrained DNN-based Approach [4.974932889340055]
  ディープニューラルネットワーク(DNN)は、最適なインバータスケジュールを学習できますが、実現可能性の保証はほとんどありません。 この研究は、DNNベースのインバータポリシーを最適電力フロー(OPF)に統合する。 数値テストでは、dnnベースのインバータ制御スキームと最適インバータセットポイントを最適性と実現可能性の観点から比較する。
  論文  参考訳（メタデータ） (2021-05-02T09:21:41Z)
• 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)
• DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems [25.791128241015684]
  我々は、従来の解法で使用されるわずかな時間でAC-OPF問題を解決するために、DeepOPFと呼ばれるディープニューラルネットワーク(DNN)アプローチを開発した。 我々はDeepOPFが最先端の解法と比較して最大2桁の計算時間を高速化することを示した。
  論文  参考訳（メタデータ） (2020-07-02T10:26:46Z)
• 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。