論文の概要: Controlling Smart Inverters using Proxies: A Chance-Constrained DNN-based Approach

• arxiv url: http://arxiv.org/abs/2105.00429v1
• Date: Sun, 2 May 2021 09:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:42:35.322334
• Title: Controlling Smart Inverters using Proxies: A Chance-Constrained DNN-based Approach
• Title（参考訳）: プロキシを用いたスマートインバータ制御:Chance-Constrained DNNに基づくアプローチ
• Authors: Sarthak Gupta and Vassilis Kekatos and Ming Jin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.974932889340055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coordinating inverters at scale under uncertainty is the desideratum for integrating renewables in distribution grids. Unless load demands and solar generation are telemetered frequently, controlling inverters given approximate grid conditions or proxies thereof becomes a key specification. Although deep neural networks (DNNs) can learn optimal inverter schedules, guaranteeing feasibility is largely elusive. Rather than training DNNs to imitate already computed optimal power flow (OPF) solutions, this work integrates DNN-based inverter policies into the OPF. The proposed DNNs are trained through two OPF alternatives that confine voltage deviations on the average and as a convex restriction of chance constraints. The trained DNNs can be driven by partial, noisy, or proxy descriptors of the current grid conditions. This is important when OPF has to be solved for an unobservable feeder. DNN weights are trained via back-propagation and upon differentiating the AC power flow equations assuming the network model is known. Otherwise, a gradient-free variant is put forth. The latter is relevant when inverters are controlled by an aggregator having access only to a power flow solver or a digital twin of the feeder. Numerical tests compare the DNN-based inverter control schemes with the optimal inverter setpoints in terms of optimality and feasibility.
• Abstract（参考訳）: 不確実性の下でスケールでのインバータの調整は、配電網に再生可能エネルギーを統合するデシデラタムである。 負荷要求や太陽光発電が頻繁に測定されない限り、近似グリッド条件やプロキシを制御したインバータが重要な仕様となる。 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るが、実現可能性の保証はほとんど不可能である。 計算済みの最適電力フロー(OPF)ソリューションを模倣するためにDNNを訓練するのではなく、DNNベースのインバータポリシーをOPFに統合する。 提案したDNNは、平均電圧偏差を抑える2つのOPF代替手段と、確率制約の凸制限として訓練される。 トレーニングされたDNNは、現在のグリッド条件の部分的、ノイズ、あるいはプロキシ記述子によって駆動される。 これは、観測不能なフィードアに対してOPFを解決しなければならない場合に重要である。 DNN重みは、バックプロパゲーションと、ネットワークモデルが知られていると仮定した交流電力流方程式の微分によって訓練される。 さもなくば勾配のない変種が用いられる。 後者は、インバータが電力フローソルバまたは供給者のデジタル双対にのみアクセス可能なアグリゲータによって制御される場合に関係する。 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。

関連論文リスト

• Optimal Design of Volt/VAR Control Rules of Inverters using Deep Learning [4.030910640265943]
  電圧を規制するために、IEEE標準1547は各DERにVolt/var制御規則に従って反応電力を注入することを推奨している。 この最適規則設計(ORD)の課題は、Volt/varルールが非線形力学を導入し、安定性と定常電圧プロファイルのトレードオフを生じるため、困難である。 より効率的な解を目指して,我々はORDを深層学習問題として再検討する。 アイデアは、Volt/varのダイナミクスをエミュレートするDNNを設計することだ。
  論文  参考訳（メタデータ） (2022-11-17T14:27:52Z)
• POLICE: Provably Optimal Linear Constraint Enforcement for Deep Neural Networks [19.587273175563745]
  本稿では,Deep Neural Networks (DNN) のための最初の証明可能なアフィン拘束法を提案する。 本手法はサンプリングを一切必要とせず,DNNが任意の点において与えられた入力空間の領域上のアフィン制約を満たすことを確実に保証する。
  論文  参考訳（メタデータ） (2022-11-02T17:48:52Z)
• 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)
• 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)
• 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)
• Learning Power Control for Cellular Systems with Heterogeneous Graph Neural Network [37.060397377445504]
  電力制御ポリシには異なるPI特性とPE特性が組み合わさっており,既存のHetGNNはこれらの特性を満足していないことを示す。 We design a parameter sharing scheme for HetGNN that the learned relationship satisfed the desired properties。
  論文  参考訳（メタデータ） (2020-11-06T02:41:38Z)
• Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
  本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。 有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
  論文  参考訳（メタデータ） (2020-10-19T13:09:14Z)
• 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)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。