論文の概要: Towards Understanding the Unreasonable Effectiveness of Learning AC-OPF Solutions

• arxiv url: http://arxiv.org/abs/2111.11168v1
• Date: Mon, 22 Nov 2021 13:04:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 17:41:47.019675
• Title: Towards Understanding the Unreasonable Effectiveness of Learning AC-OPF Solutions
• Title（参考訳）: ac-opfソリューション学習の理不尽な有効性理解に向けて
• Authors: My H. Dinh, Ferdinando Fioretto, Mostafa Mohammadian, Kyri Baker
• Abstract要約: 最適潮流(OPF)は電力系統の基本的な問題である。 近年の研究では、非常に少ないランタイムでOPF近似を見つけるためにDeep Neural Networks (DNN) が提案されている。 本稿は、この知識ギャップに対処するための一歩となる。
• 参考スコア（独自算出の注目度）: 31.388212637482365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimal Power Flow (OPF) is a fundamental problem in power systems. It is computationally challenging and a recent line of research has proposed the use of Deep Neural Networks (DNNs) to find OPF approximations at vastly reduced runtimes when compared to those obtained by classical optimization methods. While these works show encouraging results in terms of accuracy and runtime, little is known on why these models can predict OPF solutions accurately, as well as about their robustness. This paper provides a step forward to address this knowledge gap. The paper connects the volatility of the outputs of the generators to the ability of a learning model to approximate them, it sheds light on the characteristics affecting the DNN models to learn good predictors, and it proposes a new model that exploits the observations made by this paper to produce accurate and robust OPF predictions.
• Abstract（参考訳）: 最適潮流(OPF)は電力系統の基本的な問題である。 計算的に困難であり、最近の研究の行では、古典最適化法で得られたものと比較して、非常に少ないランタイムでOPF近似を見つけるためにDeep Neural Networks (DNN) が提案されている。 これらの研究は正確さと実行性という点で奨励的な結果を示しているが、なぜこれらのモデルがOPFソリューションを正確に予測できるのか、またその堅牢性についてはほとんど分かっていない。 本稿は、この知識ギャップに対処するための一歩となる。 本論文は、発電機の出力のボラティリティを学習モデルの近似能力と結びつけ、dnnモデルに影響を及ぼす特性に光を当てて良好な予測子を学習し、本論文の観測結果を活用した新しいモデルを提案し、精度とロバストなopf予測を生成する。

関連論文リスト

• 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)
• Efficient Frequency Selective Surface Analysis via End-to-End Model-Based Learning [2.66269503676104]
  本稿では、高次元周波数選択面(FSS)の効率的な電磁解析のための革新的なエンドツーエンドモデルに基づくディープラーニング手法を提案する。 大規模なデータセットを必要とする従来のデータ駆動手法とは異なり、このアプローチは等価回路モデルからの物理的な洞察とディープラーニング技術を組み合わせて、モデルの複雑さを著しく低減し、予測精度を高める。
  論文  参考訳（メタデータ） (2024-10-22T07:27:20Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Optimal Power Flow Based on Physical-Model-Integrated Neural Network with Worth-Learning Data Generation [1.370633147306388]
  本稿では,物理モデル統合ニューラルネットワーク(NN)に基づくOPF解法を提案する。 提案手法は,従来のNN解法に比べて50%以上の制約違反と最適性損失を減少させることを示した。
  論文  参考訳（メタデータ） (2023-01-10T03:06:08Z)
• 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)
• 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)
• 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)
• Data-driven Optimal Power Flow: A Physics-Informed Machine Learning Approach [6.5382276424254995]
  本稿では,SELMフレームワークに基づく最適電力フロー(OPF)のためのデータ駆動型アプローチを提案する。 データ駆動型OPF回帰フレームワークが開発され、OPFモデルの特徴を3段階に分解する。 IEEEおよびポーランドのベンチマークシステムにおいて,提案手法が他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-31T15:41:24Z)

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。