論文の概要: Model-Informed Generative Adversarial Network (MI-GAN) for Learning
Optimal Power Flow
- arxiv url: http://arxiv.org/abs/2206.01864v1
- Date: Sat, 4 Jun 2022 00:37:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 13:56:19.078362
- Title: Model-Informed Generative Adversarial Network (MI-GAN) for Learning
Optimal Power Flow
- Title（参考訳）: 最適潮流学習のためのモデルインフォームド生成逆数ネットワーク(MI-GAN)
- Authors: Yuxuan Li, Chaoyue Zhao, and Chenang Liu
- Abstract要約: 最適電力流(OPF)問題は、電力系統にたらされる再生可能エネルギーの変動性、断続性、予測不可能性により、解決がますます困難になっている。
ニューラルネットワークのようなディープラーニング技術は最近、大規模OPF問題を解決する際の計算効率を改善するために開発されている。
本稿では,不確実性下でOPFを解決するための最適化モデルインフォームド・ジェネレーティブ・逆数ネットワーク(MI-GAN)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.9180317386270804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The optimal power flow (OPF) problem, as a critical component of power system
operations, becomes increasingly difficult to solve due to the variability,
intermittency, and unpredictability of renewable energy brought to the power
system. Although traditional optimization techniques, such as stochastic and
robust optimization approaches, could be used to address the OPF problem in the
face of renewable energy uncertainty, their effectiveness in dealing with
large-scale problems remains limited. As a result, deep learning techniques,
such as neural networks, have recently been developed to improve computational
efficiency in solving large-scale OPF problems. However, the feasibility and
optimality of the solution may not be guaranteed. In this paper, we propose an
optimization model-informed generative adversarial network (MI-GAN) framework
to solve OPF under uncertainty. The main contributions are summarized into
three aspects: (1) to ensure feasibility and improve optimality of generated
solutions, three important layers are proposed: feasibility filter layer,
comparison layer, and gradient-guided layer; (2) in the GAN-based framework, an
efficient model-informed selector incorporating these three new layers is
established; and (3) a new recursive iteration algorithm is also proposed to
improve solution optimality. The numerical results on IEEE test systems show
that the proposed method is very effective and promising.
- Abstract（参考訳）: 最適電力フロー(OPF)問題は、電力系統の運用において重要な要素であり、電力系統にたらされる再生可能エネルギーの変動、断続性、予測不能により解決がますます困難になる。
確率的およびロバストな最適化アプローチのような従来の最適化手法は、再生可能エネルギーの不確実性に直面したOPF問題に対処するために使用できるが、大規模な問題に対処する上での有効性は限られている。
その結果、ニューラルネットワークのようなディープラーニング技術は、大規模OPF問題を解決する際の計算効率を改善するために最近開発されている。
しかし、解の実現可能性や最適性は保証されない。
本稿では,不確実性下でOPFを解決するための最適化モデルインフォームド生成逆数ネットワーク(MI-GAN)フレームワークを提案する。
1) 生成した解の実現性を確保し, 最適性を向上させるために, 実現性フィルタ層, 比較層, 勾配誘導層という3つの重要な層が提案され, (2) ganベースのフレームワークでは, これら3つの新しい層を組み込んだ効率的なモデルインフォームセレクタが確立され, (3) 解の最適性を改善するための新しい再帰的反復アルゴリズムも提案されている。
IEEEテストシステムの数値計算結果から,提案手法は非常に有効で有望であることが示された。
関連論文リスト
- Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - 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) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - 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) - Topology-aware Graph Neural Networks for Learning Feasible and Adaptive
ac-OPF Solutions [18.63828570982923]
我々は、ac-OPF問題の最適解を予測するために、新しいトポロジインフォームドグラフニューラルネットワーク(GNN)アプローチを開発した。
NNモデルにグリッドトポロジを組み込むため,提案したGNN-for-OPFフレームワークは,位置境界価格と電圧等級の局所性特性を利用する。
提案設計の利点は、モデル複雑性の低減、一般化可能性の向上、実現可能性の保証である。
論文 参考訳（メタデータ） (2022-05-16T23:36:37Z) - Reinforcement Learning for Battery Energy Storage Dispatch augmented
with Model-based Optimizer [0.0]
本稿では,物理モデルと学習アルゴリズムを組み合わせた分布レベルのOPF問題の解法を提案する。
提案手法の有効性をIEEE 34-bus と 123-bus の配電システムを用いて実証した。
論文 参考訳（メタデータ） (2021-09-02T14:48:25Z) - Optimal Operation of Power Systems with Energy Storage under
Uncertainty: A Scenario-based Method with Strategic Sampling [0.0]
エネルギー貯蔵(ES)、断続再生可能エネルギー、制御不能電力負荷の多周期ダイナミクスは、電力系統運用(PSO)の最適化を困難にしている。
不確実性下での多周期最適PSOは、確率制約付き確率最適化(CCO)モデルパラダイムを用いて定式化される。
本稿では,この難解なCCO問題に対する新しい解法を提案する。
論文 参考訳（メタデータ） (2021-07-21T11:21:50Z) - 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) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - 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) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。