論文の概要: Learning Optimization Proxies for Large-Scale Security-Constrained
Economic Dispatch
- arxiv url: http://arxiv.org/abs/2112.13469v1
- Date: Mon, 27 Dec 2021 00:44:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-29 02:08:23.305657
- Title: Learning Optimization Proxies for Large-Scale Security-Constrained
Economic Dispatch
- Title(参考訳): 大規模セキュリティ制約付き経済分散のための学習最適化プロキシ
- Authors: Wenbo Chen, Seonho Park, Mathieu Tanneau, Pascal Van Hentenryck
- Abstract要約: SCED(Security-Constrained Economic Dispatch)は、送信システムオペレーター(TSO)の基本最適化モデルである
本稿では,SCEDの最適解をミリ秒で予測できる機械学習(ML)モデルとして,SCEDの最適化プロキシを学習することを提案する。
数値実験は、フランスの送信システム上で報告され、リアルタイム操作と互換性のある時間枠内で、その手法が生成できることを実証する。
- 参考スコア(独自算出の注目度): 11.475805963049808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Security-Constrained Economic Dispatch (SCED) is a fundamental
optimization model for Transmission System Operators (TSO) to clear real-time
energy markets while ensuring reliable operations of power grids. In a context
of growing operational uncertainty, due to increased penetration of renewable
generators and distributed energy resources, operators must continuously
monitor risk in real-time, i.e., they must quickly assess the system's behavior
under various changes in load and renewable production. Unfortunately,
systematically solving an optimization problem for each such scenario is not
practical given the tight constraints of real-time operations. To overcome this
limitation, this paper proposes to learn an optimization proxy for SCED, i.e.,
a Machine Learning (ML) model that can predict an optimal solution for SCED in
milliseconds. Motivated by a principled analysis of the market-clearing
optimizations of MISO, the paper proposes a novel ML pipeline that addresses
the main challenges of learning SCED solutions, i.e., the variability in load,
renewable output and production costs, as well as the combinatorial structure
of commitment decisions. A novel Classification-Then-Regression architecture is
also proposed, to further capture the behavior of SCED solutions. Numerical
experiments are reported on the French transmission system, and demonstrate the
approach's ability to produce, within a time frame that is compatible with
real-time operations, accurate optimization proxies that produce relative
errors below $0.6\%$.
- Abstract(参考訳): SCED(Security-Constrained Economic Dispatch)は、送電系統オペレーター(TSO)が電力網の信頼性を確保しつつ、リアルタイムエネルギー市場をクリアするための基本的な最適化モデルである。
再生可能発電機や分散型エネルギー資源の普及により、運用の不確実性が高まる中で、オペレーターは、負荷や再生可能エネルギーのさまざまな変化下でのシステムの挙動を迅速に評価し、リアルタイムでリスクを継続的に監視しなければならない。
残念ながら、リアルタイム操作の厳密な制約を考えると、このようなシナリオごとに最適化問題を体系的に解くことは現実的ではない。
この制限を克服するために,本論文では,sceの最適化プロキシ,すなわちsceの最適解をミリ秒で予測可能な機械学習(ml)モデルについて学ぶことを提案する。
そこで本稿では,misoの市場開拓最適化の原理的分析に動機づけられ,sceソリューション学習の主な課題,すなわち負荷変動,再生可能生産,生産コスト,コミットメント決定の組合せ構造に対処する新しいmlパイプラインを提案する。
また,SCEDソリューションの挙動をさらに把握するために,新たな分類・解釈アーキテクチャを提案する。
数値実験はフランスの伝送システムで報告され、リアルタイム操作と互換性のある時間枠内で、相対誤差を0.6\%$以下にする正確な最適化プロキシを生成する手法の能力を示す。
関連論文リスト
- Self-Supervised Learning for Large-Scale Preventive Security Constrained DC Optimal Power Flow [20.078717680640214]
SCOPF(Security-Constrained Optimal Power Flow)は、電力グリッドの安定性において重要な役割を果たすが、システムが成長するにつれてますます複雑になる。
本稿では,大規模SCOPF問題に対する準最適解を生成するための,自己教師付きエンドツーエンドのPDL-SCOPFについて紹介する。
論文 参考訳(メタデータ) (2023-11-29T20:36:35Z) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳(メタデータ) (2023-10-13T21:26:16Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled
Prescriptive Maintenance Framework [62.73424880653293]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T02:27:54Z) - A Stochastic Online Forecast-and-Optimize Framework for Real-Time Energy
Dispatch in Virtual Power Plants under Uncertainty [18.485617498705736]
本稿では,2つの要素から構成されるリアルタイム不確実性を考慮したエネルギー分散フレームワークを提案する。
提案するフレームワークは,リアルタイムデータ配信に迅速に適応すると同時に,データドリフトやモデルの不一致,制御プロセスの環境摂動などによる不確実性もターゲットとすることができる。
このフレームワークはCityLearn Challenge 2022で優勝し、エネルギー領域におけるAIアプリケーションの可能性を調べる影響力のある機会となった。
論文 参考訳(メタデータ) (2023-09-15T00:04:00Z) - Movement Penalized Bayesian Optimization with Application to Wind Energy
Systems [84.7485307269572]
文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。
この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。
標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
論文 参考訳(メタデータ) (2022-10-14T20:19:32Z) - Risk-Aware Control and Optimization for High-Renewable Power Grids [11.352041887858322]
RAMCプロジェクトは、この決定論的設定からリスク認識フレームワークに移行する方法について調査している。
本稿では、RAMCがリスク対応市場クリアリングにどのようにアプローチするかをレビューし、不確実性定量化、最適化、機械学習におけるイノベーションの一部を提示する。
論文 参考訳(メタデータ) (2022-04-02T22:58:08Z) - Distributional Reinforcement Learning for Scheduling of (Bio)chemical
Production Processes [0.0]
強化学習(Reinforcement Learning, RL)は、最近、プロセスシステム工学と制御コミュニティから大きな注目を集めている。
本稿では,生産スケジューリング問題に共通して課される優先的制約と解離的制約に対処するRL手法を提案する。
論文 参考訳(メタデータ) (2022-03-01T17:25:40Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z)
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。