論文の概要: Machine Learning for Electricity Market Clearing

• arxiv url: http://arxiv.org/abs/2205.11641v1
• Date: Mon, 23 May 2022 21:33:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 06:43:48.426284
• Title: Machine Learning for Electricity Market Clearing
• Title（参考訳）: 電力市場クリアリングのための機械学習
• Authors: Laurent Pagnier, Robert Ferrando, Yury Dvorkin and Michael Chertkov
• Abstract要約: 本稿では,最適電力フロー(OPF)最適化の機械学習双対を設計する。 電力市場における市場浄化の手順で用いられる。
• 参考スコア（独自算出の注目度）: 1.3824488054100905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper seeks to design a machine learning twin of the optimal power flow (OPF) optimization, which is used in market-clearing procedures by wholesale electricity markets. The motivation for the proposed approach stems from the need to obtain the digital twin, which is much faster than the original, while also being sufficiently accurate and producing consistent generation dispatches and locational marginal prices (LMPs), which are primal and dual solutions of the OPF optimization, respectively. Availability of market-clearing tools based on this approach will enable computationally tractable evaluation of multiple dispatch scenarios under a given unit commitment. Rather than direct solution of OPF, the Karush-Kuhn-Tucker (KKT) conditions for the OPF problem in question may be written, and in parallel the LMPs of generators and loads may be expressed in terms of the OPF Lagrangian multipliers. Also, taking advantage of the practical fact that many of the Lagrangian multipliers associated with lines will be zero (thermal limits are not binding), we build and train an ML scheme which maps flexible resources (loads and renewables) to the binding lines, and supplement it with an efficient power-grid aware linear map to optimal dispatch and LMPs. The scheme is validated and illustrated on IEEE models. We also report a trade of analysis between quality of the reconstruction and number of samples needed to train the model.
• Abstract（参考訳）: 本稿では,電力市場における市場浄化に使用される最適電力フロー(OPF)最適化の機械学習双対を設計することを目的とする。 提案手法のモチベーションは,オリジナルよりもはるかに高速なディジタルツインの獲得の必要性と,OPF最適化の原始解と双対解である一貫した生成ディスパッチと位置限界価格(LMPs)の生成に起因している。 このアプローチに基づく市場浄化ツールの可用性は、所定のユニットコミットメントの下で複数のディスパッチシナリオを計算的に抽出可能な評価を可能にする。 OPF の直接解ではなく、問題の OPF 問題に対する Kaush-Kuhn-Tucker (KKT) 条件を記述することができ、並列に生成元と負荷の LMP を OPF ラグランジアン乗数で表すことができる。 また、ラインに関連付けられたラグランジアン乗算器の多くがゼロ(熱極限は結合しない)となるという現実的な事実を生かして、柔軟な資源(負荷と再生可能量)を結合ラインにマッピングし、最適ディスパッチとLMPへの効率的なパワーグリッド対応線形写像で補足するMLスキームを構築し、訓練する。 このスキームはIEEEモデルで検証され、説明されている。 また,再現の質とモデルの訓練に必要なサンプル数との間にある分析のトレードオフを報告した。

関連論文リスト

• Dual Conic Proxies for AC Optimal Power Flow [16.02181642119643]
  既存の学習ベースのアプローチでは、AC-OPFに有効な二重境界は提供できない。 本稿では,AC-OPFの凸緩和のための最適化プロキシをトレーニングすることで,このギャップを解消する。 本稿は、この新しいアーキテクチャと自己教師付き学習スキームを組み合わせることで、データ生成の費用のかかるトレーニングの必要性を軽減する。
  論文  参考訳（メタデータ） (2023-10-04T17:06:30Z)
• A Physics-Informed Machine Learning for Electricity Markets: A NYISO Case Study [1.1580136767197162]
  PIMA-AS-OPFは、ネット負荷とシステムトポロジを入力として取り込む、完全に接続されたニューラルネットワークである。 このニューラルネットワークの出力には、飽和発電機や送電線などのアクティブな制約、非ゼロ負荷層や風量制限が含まれる。 ディスパッチ決定とLMPは、効率的な市場浄化結果の要件に関して、その実現可能性のためにテストされる。
  論文  参考訳（メタデータ） (2023-03-31T18:25:03Z)
• GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
  Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。 CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
  論文  参考訳（メタデータ） (2023-02-16T17:59:06Z)
• FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
  我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
  論文  参考訳（メタデータ） (2022-10-26T00:23:36Z)
• 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)
• 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)
• Multi-parametric Analysis for Mixed Integer Linear Programming: An Application to Transmission Planning and Congestion Control [9.981355007576715]
  既存の送電線を拡大することは、送電渋滞に対処し、需要の増加とともに送電セキュリティを確保するのに有用なツールである。 本研究は,キャパシティを拡張すべきラインの選択と,システムコストを最小化するための独立系演算子(ISO)の観点から,その選択について検討する。 我々はISO単位のコミットメントと経済的なディスパッチモデルを開発し、混合整数線形プログラミング(MILP)問題に対する右側の不確実性多重パラメトリック解析として示す。
  論文  参考訳（メタデータ） (2022-07-19T15:27:10Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• OPF-Learn: An Open-Source Framework for Creating Representative AC Optimal Power Flow Datasets [0.0]
  本稿では,JuliaとPythonのためのOPF-Learnパッケージを開発した。 このフレームワークは、文献で見られる従来の手法に比べて、実現可能な空間全体を代表するデータセットを生成することが示されている。
  論文  参考訳（メタデータ） (2021-11-01T19:35:09Z)
• 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)

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。