論文の概要: Distributionally Robust Optimal Power Flow with Contextual Information
- arxiv url: http://arxiv.org/abs/2109.07896v1
- Date: Thu, 16 Sep 2021 11:54:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-17 16:30:58.256886
- Title: Distributionally Robust Optimal Power Flow with Contextual Information
- Title(参考訳): 文脈情報を用いた分布的ロバスト最適潮流
- Authors: Adri\'an Esteban-P\'erez and Juan M. Morales
- Abstract要約: 我々は、最適潮流問題(OPF)の分布的に頑健な確率制約付き定式化を開発する。
我々は、確率トリミングとディスパッチソリューションが保護される最適輸送に基づくあいまいさセットを利用する。
本稿では,風力出力の点予測とそれに伴う予測誤差とのよく知られた統計的依存を考慮した電力系統の利点について述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we develop a distributionally robust chance-constrained
formulation of the Optimal Power Flow problem (OPF) whereby the system operator
can leverage contextual information. For this purpose, we exploit an ambiguity
set based on probability trimmings and optimal transport through which the
dispatch solution is protected against the incomplete knowledge of the
relationship between the OPF uncertainties and the context that is conveyed by
a sample of their joint probability distribution. We provide an exact
reformulation of the proposed distributionally robust chance-constrained OPF
problem under the popular conditional-value-at-risk approximation. By way of
numerical experiments run on a modified IEEE-118 bus network with wind
uncertainty, we show how the power system can substantially benefit from taking
into account the well-known statistical dependence between the point forecast
of wind power outputs and its associated prediction error. Furthermore, the
experiments conducted also reveal that the distributional robustness conferred
on the OPF solution by our probability-trimmings-based approach is superior to
that bestowed by alternative approaches in terms of expected cost and system
reliability.
- Abstract(参考訳): 本稿では, 最適潮流問題 (OPF) の分布性に頑健な確率制約付き定式化を開発し, システムオペレーターは文脈情報を利用することができる。
本研究は,OPFの不確かさと,それらの連立確率分布のサンプルによって伝達される文脈の関係に関する不完全な知識に対して,ディスパッチソリューションが保護される確率トリミングと最適輸送に基づくあいまいさを利用する。
提案する分布的ロバストな確率制約付きopf問題の、一般的な条件付き値-リスク近似の下での正確な再構成を提案する。
風向不確実性を有する改良型ieee-118バスネットワーク上での数値実験により,風力出力の点予測とそれに伴う予測誤差との統計的依存性を考慮に入れることで,電力系統が実質的に有益であることを示す。
さらに, 提案手法によりOPF法に与えられる分布ロバスト性は, 予測コストとシステム信頼性の観点から, 代替手法よりも優れていることを示した。
関連論文リスト
- Confidence Aware Learning for Reliable Face Anti-spoofing [52.23271636362843]
本稿では,その能力境界を意識した信頼認識顔アンチスプーフィングモデルを提案する。
各サンプルの予測中にその信頼性を推定する。
実験の結果,提案したCA-FASは予測精度の低いサンプルを効果的に認識できることがわかった。
論文 参考訳(メタデータ) (2024-11-02T14:29:02Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2024-07-01T20:44:48Z) - Probabilistically Plausible Counterfactual Explanations with Normalizing Flows [2.675793767640172]
本稿では,確率論的に妥当な反事実的説明を生成する新しい手法であるPPCEFを提案する。
本手法は, パラメータ分布の特定の族を仮定することなく, 明示密度関数を直接最適化することにより, 精度を向上する。
PPCEFは、機械学習モデルを解釈し、公正性、説明責任、AIシステムの信頼を改善するための強力なツールである。
論文 参考訳(メタデータ) (2024-05-27T20:24:03Z) - Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳(メタデータ) (2024-02-13T09:40:19Z) - Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。
我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。
提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
論文 参考訳(メタデータ) (2023-01-30T11:46:34Z) - 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) - Data-Driven Approximations of Chance Constrained Programs in
Nonstationary Environments [3.126118485851773]
確率制約プログラムのサンプル平均近似(SAA)について検討する。
この問題の非定常変種を考えると、ランダムサンプルは逐次的に独立に描画されると仮定される。
本稿では,データ生成分布列と実確率制約分布との間のワッサーシュタイン距離の情報を利用した,ロバストなSAA手法を提案する。
論文 参考訳(メタデータ) (2022-05-08T01:01:57Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z) - Distributionally Robust Chance Constrained Programming with Generative
Adversarial Networks (GANs) [0.0]
GAN(Generative Adversarial Network)をベースとしたデータ駆動型分散ロバストな制約付きプログラミングフレームワークを提案する。
非パラメトリックかつ教師なしの方法で、歴史的データから分布情報を完全抽出するために、GANを適用する。
提案手法は需要不確実性の下でサプライチェーン最適化に適用される。
論文 参考訳(メタデータ) (2020-02-28T00:05:22Z)
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。