論文の概要: Learning to Solve the AC Optimal Power Flow via a Lagrangian Approach
- arxiv url: http://arxiv.org/abs/2110.01653v1
- Date: Mon, 4 Oct 2021 18:29:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 13:58:14.286466
- Title: Learning to Solve the AC Optimal Power Flow via a Lagrangian Approach
- Title(参考訳): ラグランジアンアプローチによる交流最適潮流解の学習
- Authors: Ling Zhang, Baosen Zhang
- Abstract要約: ACOPF問題に対するラグランジアンベースのアプローチを用いる。
トレーニングソリューションが最適以下であっても,我々のアプローチがグローバルな最適コストを得ることができることを示す。
- 参考スコア(独自算出の注目度): 9.561589138108811
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Using deep neural networks to predict the solutions of AC optimal power flow
(ACOPF) problems has been an active direction of research. However, because the
ACOPF is nonconvex, it is difficult to construct a good data set that contains
mostly globally optimal solutions. To overcome the challenge that the training
data may contain suboptimal solutions, we propose a Lagrangian-based approach.
First, we use a neural network to learn the dual variables of the ACOPF
problem. Then we use a second neural network to predict solutions of the
partial Lagrangian from the predicted dual variables. Since the partial
Lagrangian has a much better optimization landscape, we use the predicted
solutions from the neural network as a warm start for the ACOPF problem. Using
standard and modified IEEE 22-bus, 39-bus, and 118-bus networks, we show that
our approach is able to obtain the globally optimal cost even when the training
data is mostly comprised of suboptimal solutions.
- Abstract(参考訳): 深層ニューラルネットワークを用いて交流最適電力流(ACOPF)問題の解を予測することは、研究の活発な方向である。
しかし、ACOPFは非凸であるため、大半がグローバルな最適解を含む良いデータセットを構築することは困難である。
学習データに最適解を含むという課題を克服するため,ラグランジアンに基づくアプローチを提案する。
まず、ニューラルネットワークを用いてACOPF問題の双対変数を学習する。
次に,第2のニューラルネットワークを用いて,予測された双対変数から部分的ラグランジアンの解を予測する。
部分ラグランジアンはより優れた最適化ランドスケープを持つため、ニューラルネットワークからの予測された解をACOPF問題のウォームスタートとして使用する。
IEEE 22-bus, 39-bus, 118-busネットワークの標準および修正により, トレーニングデータが大半が最適でない場合であっても, グローバルな最適コストを得ることができることを示す。
関連論文リスト
- HoP: Homeomorphic Polar Learning for Hard Constrained Optimization [3.8166443770130822]
制約付き最適化は、非常に効率的な合成訓練アプローチを必要とする。
データ駆動学習法として、L2Oはニューラルネットワークを利用して近似解を効率的に生成する。
HoPは既存のL2O法よりも最適に近い解を得る。
すべての場合、HoPは既存のL2O法よりも最適に近い解を得る。
論文 参考訳(メタデータ) (2025-02-01T03:59:15Z) - GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
グラフ拡散型ソリューション生成(GDSG)法を提案する。
このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。
グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
論文 参考訳(メタデータ) (2024-12-11T11:13:43Z) - Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。
本研究ではまず,生成モデルの本質的な特徴について考察する。
本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文 参考訳(メタデータ) (2024-11-01T09:05:47Z) - Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow [0.0]
AC最適電力流(AC-OPF)問題は、電力系統の運用には不可欠である。
本稿では,単純化と解釈性を融合したニューラルベースアプローチを提案する。
論文 参考訳(メタデータ) (2024-07-30T14:38:43Z) - Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。
本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。
これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
論文 参考訳(メタデータ) (2024-03-06T04:43:22Z) - Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。
深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。
問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
論文 参考訳(メタデータ) (2022-12-23T17:00:00Z) - 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) - 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) - 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) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。