論文の概要: Graph Neural Networks for Learning Real-Time Prices in Electricity
Market
- arxiv url: http://arxiv.org/abs/2106.10529v1
- Date: Sat, 19 Jun 2021 16:34:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:07:23.382387
- Title: Graph Neural Networks for Learning Real-Time Prices in Electricity
Market
- Title(参考訳): 電気市場におけるリアルタイム価格学習のためのグラフニューラルネットワーク
- Authors: Shaohui Liu, Chengyang Wu, Hao Zhu
- Abstract要約: OPFの解決から電力市場価格を予測するための新しいグラフニューラルネットワーク(GNN)フレームワークを提案する。
提案するGNN-for-OPFフレームワークは、価格の局所性を革新的に活用し、物理対応の正規化を導入する。
従来の手法に比べて,提案手法の学習効率と適応性の向上が検証された。
- 参考スコア(独自算出の注目度): 21.402299307739558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solving the optimal power flow (OPF) problem in real-time electricity market
improves the efficiency and reliability in the integration of low-carbon energy
resources into the power grids. To address the scalability and adaptivity
issues of existing end-to-end OPF learning solutions, we propose a new graph
neural network (GNN) framework for predicting the electricity market prices
from solving OPFs. The proposed GNN-for-OPF framework innovatively exploits the
locality property of prices and introduces physics-aware regularization, while
attaining reduced model complexity and fast adaptivity to varying grid
topology. Numerical tests have validated the learning efficiency and adaptivity
improvements of our proposed method over existing approaches.
- Abstract(参考訳): リアルタイム電力市場における最適電力フロー(OPF)問題の解決は、低炭素エネルギー資源を電力グリッドに統合する際の効率と信頼性を向上させる。
既存のエンドツーエンドのOPF学習ソリューションのスケーラビリティと適応性の問題に対処するため、我々はOPFの解決から電力市場価格を予測する新しいグラフニューラルネットワーク(GNN)フレームワークを提案する。
提案したGNN-for-OPFフレームワークは、価格の局所性を革新的に活用し、モデル複雑性の低減とグリッドトポロジへの高速適応性を実現しつつ、物理対応の正規化を導入する。
数値実験により,提案手法の学習効率と適応性が既存手法よりも向上した。
関連論文リスト
- Fairness-Utilization Trade-off in Wireless Networks with Explainable Kolmogorov-Arnold Networks [14.51946231794179]
本稿では,ネットワーク利用とユーザ株式のバランスをとるために$alpha$-fairnessを最適化することを目的とした,無線ネットワークにおける電力割り当ての課題に焦点を当てる。
推論コストの低い機械学習モデルのクラスであるKAN(Kolmogorov-Arnold Networks)を利用した新しいアプローチを提案する。
データセットの生成と分散化のために2つのアルゴリズムが提案され、様々なフェアネス目標を達成するための柔軟なフレームワークを提供する。
論文 参考訳(メタデータ) (2024-11-04T09:40:47Z) - SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳(メタデータ) (2024-07-17T09:01:38Z) - Optimal Power Flow in Highly Renewable Power System Based on Attention
Neural Networks [43.19619268243832]
風や太陽のような再生可能エネルギー源の統合は、その固有の変動性のために課題を提起する。
この変動は、主に気象条件の変化によって引き起こされるものであり、電力設定の頻繁な再調整を必要とする。
我々は、模倣学習と過去のヨーロッパの気象データセットを用いて訓練された最先端の物理インフォームド機械学習手法を提案する。
論文 参考訳(メタデータ) (2023-11-23T12:02:58Z) - A Physics-Informed Machine Learning for Electricity Markets: A NYISO
Case Study [1.1580136767197162]
PIMA-AS-OPFは、ネット負荷とシステムトポロジを入力として取り込む、完全に接続されたニューラルネットワークである。
このニューラルネットワークの出力には、飽和発電機や送電線などのアクティブな制約、非ゼロ負荷層や風量制限が含まれる。
ディスパッチ決定とLMPは、効率的な市場浄化結果の要件に関して、その実現可能性のためにテストされる。
論文 参考訳(メタデータ) (2023-03-31T18:25:03Z) - GP CC-OPF: Gaussian Process based optimization tool for
Chance-Constrained Optimal Power Flow [54.94701604030199]
Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。
CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
論文 参考訳(メタデータ) (2023-02-16T17:59:06Z) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳(メタデータ) (2022-10-17T17:30:09Z) - 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) - Model-Informed Generative Adversarial Network (MI-GAN) for Learning
Optimal Power Flow [5.407198609685119]
最適電力フロー(OPF)問題は、電力系統の運用において重要な要素であり、電力系統にたらされる再生可能エネルギーの変動、断続性、予測不能により、解決がますます困難になる。
ニューラルネットワークのようなディープラーニング技術は、最近、データの利用によってOPF問題を解決する際の計算効率を改善するために開発されている。
本稿では,不確実性下でOPFを解決するための最適化モデルインフォームド・ジェネレーティブ・逆数ネットワーク(MI-GAN)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-04T00:37:37Z) - Topology-aware Graph Neural Networks for Learning Feasible and Adaptive
ac-OPF Solutions [18.63828570982923]
我々は、ac-OPF問題の最適解を予測するために、新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。
NNモデルにグリッドトポロジを組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧等級の局所性特性を利用する。
提案設計の利点は、モデル複雑性の低減、一般化可能性の向上、実現可能性の保証である。
論文 参考訳(メタデータ) (2022-05-16T23:36:37Z) - 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) - 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。