論文の概要: Adversarially Robust Learning for Security-Constrained Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2111.06961v1
• Date: Fri, 12 Nov 2021 22:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 13:42:51.091251
• Title: Adversarially Robust Learning for Security-Constrained Optimal Power Flow
• Title（参考訳）: セキュリティ制約付き最適潮流に対する逆ロバスト学習
• Authors: Priya L. Donti, Aayushya Agarwal, Neeraj Vijay Bedmutha, Larry Pileggi, J. Zico Kolter
• Abstract要約: 我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
• 参考スコア（独自算出の注目度）: 55.816266355623085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the ML community has seen surges of interest in both adversarially robust learning and implicit layers, but connections between these two areas have seldom been explored. In this work, we combine innovations from these areas to tackle the problem of N-k security-constrained optimal power flow (SCOPF). N-k SCOPF is a core problem for the operation of electrical grids, and aims to schedule power generation in a manner that is robust to potentially k simultaneous equipment outages. Inspired by methods in adversarially robust training, we frame N-k SCOPF as a minimax optimization problem - viewing power generation settings as adjustable parameters and equipment outages as (adversarial) attacks - and solve this problem via gradient-based techniques. The loss function of this minimax problem involves resolving implicit equations representing grid physics and operational decisions, which we differentiate through via the implicit function theorem. We demonstrate the efficacy of our framework in solving N-3 SCOPF, which has traditionally been considered as prohibitively expensive to solve given that the problem size depends combinatorially on the number of potential outages.
• Abstract（参考訳）: 近年、MLコミュニティは、敵対的に堅牢な学習と暗黙的なレイヤーの両方に関心が集まっているが、これら2つの領域間の接続は、ほとんど調査されていない。 本研究では,これらの領域のイノベーションを組み合わせて,N-kセキュリティに制約された最適電力流(SCOPF)の問題に取り組む。 N-k SCOPFは、電力網の運用における中核的な問題であり、k個の機器を同時に停止させる可能性の高い方法で発電をスケジュールすることを目的としている。 N-k SCOPF を最小限の最適化問題として,N-k SCOPF を調整可能なパラメータとして,機器の停止を(逆)攻撃として捉え,勾配に基づく手法を用いてこの問題を解決する。 このミニマックス問題の損失関数は、グリッド物理と運用上の決定を表す暗黙の方程式を解き、暗黙の関数定理を通じて区別する。 我々は,N-3 SCOPFの解決における枠組みの有効性を実証する。これは従来,問題の規模が潜在的な機能停止の数に相補的に依存していることから,解決に不当なコストがかかると考えられてきた。

関連論文リスト

• QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints [4.1920378271058425]
  本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。 提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
  論文  参考訳（メタデータ） (2024-01-11T20:17:44Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Learning Optimal Power Flow Value Functions with Input-Convex Neural Networks [15.791200937436837]
  最適電力流(OPF)問題は電力システムに不可欠な問題であり、分散制約に固執しながら発電を最適化することを目的としている。 本研究は、他の凸依存決定問題と結合しながら、オンライン環境でより高速な分析を学習するための機械学習(ML)について検討する。
  論文  参考訳（メタデータ） (2023-10-06T21:48:39Z)
• Energy Regularized RNNs for Solving Non-Stationary Bandit Problems [97.72614340294547]
  我々は、ニューラルネットワークが特定の行動を支持するのに自信過剰になるのを防ぐエネルギー用語を提案する。 提案手法は,ロッティングバンドのサブプロブレムを解く方法と同じくらい有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-12T03:32:43Z)
• 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)
• DC3: A learning method for optimization with hard constraints [85.12291213315905]
  この問題に対処するアルゴリズムとして,Deep Constraint Completion and Correction (DC3)を提案する。 DC3は、等式制約を満たす部分解と不等式制約を満たすアンロールベースの補正を暗黙的に完成する。 合成最適化タスクとAC最適電力流の実世界設定の両方でDC3の有効性を実証します。
  論文  参考訳（メタデータ） (2021-04-25T18:21:59Z)
• Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings [17.338923885534193]
  交流の最適電力の流れ(AC-OPF)は電力系統操作の基本的な問題の1つです。 本稿では,電力フローソルバの動作を微分することにより,この問題を回避する効率的な戦略を示す。 従来の解法に比べて12倍の速度向上と40%の堅牢性向上を報告した。
  論文  参考訳（メタデータ） (2020-12-16T18:23:51Z)
• 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)
• Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow [0.0]
  本稿では,それまでの難解な最適化制約を捕捉し,それらを混合整数線形プログラムに変換するフレームワークを提案する。 我々は,N-1セキュリティと小信号安定性を考慮した電力系統運用へのアプローチを実証し,コスト最適解を効率的に得る方法を示した。
  論文  参考訳（メタデータ） (2020-03-17T21:01:17Z)

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。