論文の概要: DeepOPF-AL: Augmented Learning for Solving AC-OPF Problems with Multiple Load-Solution Mappings

• arxiv url: http://arxiv.org/abs/2206.03365v1
• Date: Tue, 7 Jun 2022 14:57:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 16:48:31.010107
• Title: DeepOPF-AL: Augmented Learning for Solving AC-OPF Problems with Multiple Load-Solution Mappings
• Title（参考訳）: DeepOPF-AL: 複数負荷ソリューションマッピングによるAC-OPF問題を解決するための強化学習
• Authors: Xiang Pan, Wanjun Huang, Minghua Chen, and Steven H. Low
• Abstract要約: 非AC-OPF問題の複数の負荷-ソリューションマッピングは、ディープニューラルネットワーク(DNN)スキームに根本的な課題をもたらす。 我々はこの問題に対処するためのアプローチとしてDeepOP-ALを提案する。 本稿では,AC-OPF問題を従来の解法よりもはるかに高速に解くために,学習した拡張写像を適用した。
• 参考スコア（独自算出の注目度）: 20.16275333662667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The existence of multiple load-solution mappings of non-convex AC-OPF problems poses a fundamental challenge to deep neural network (DNN) schemes. As the training dataset may contain a mixture of data points corresponding to different load-solution mappings, the DNN can fail to learn a legitimate mapping and generate inferior solutions. We propose DeepOPF-AL as an augmented-learning approach to tackle this issue. The idea is to train a DNN to learn a unique mapping from an augmented input, i.e., (load, initial point), to the solution generated by an iterative OPF solver with the load and initial point as intake. We then apply the learned augmented mapping to solve AC-OPF problems much faster than conventional solvers. Simulation results over IEEE test cases show that DeepOPF-AL achieves noticeably better optimality and similar feasibility and speedup performance, as compared to a recent DNN scheme, with the same DNN size yet elevated training complexity.
• Abstract（参考訳）: 非凸AC-OPF問題の複数負荷-解写像の存在は、ディープニューラルネットワーク(DNN)スキームに根本的な課題をもたらす。 トレーニングデータセットには、異なる負荷-解決マッピングに対応するデータポイントが混在している可能性があるため、DNNは正当なマッピングを学ばず、劣ったソリューションを生成することができる。 本稿では,この問題に対処するための強化学習手法としてDeepOPF-ALを提案する。 DNNを訓練して、拡張入力、すなわち(負荷、初期点)から繰り返しOPFソルバが生成した解へのユニークなマッピングを、ロードと初期点をインテークとして学習する。 次に、学習した拡張写像を適用し、従来の解法よりもはるかに高速にAC-OPF問題を解く。 IEEEテストケース上でのシミュレーション結果から、DNNと比べ、DeepOPF-ALは明らかに優れた最適性と同様の実現可能性、および高速化性能を実現している。

関連論文リスト

• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• 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)
• Improved Training of Physics-Informed Neural Networks with Model Ensembles [81.38804205212425]
  我々は、PINNを正しい解に収束させるため、解区間を徐々に拡大することを提案する。 すべてのアンサンブルのメンバーは、観測されたデータの近くで同じ解に収束する。 提案手法は, 得られた解の精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-11T14:05:34Z)
• CAN-PINN: A Fast Physics-Informed Neural Network Based on Coupled-Automatic-Numerical Differentiation Method [17.04611875126544]
  テイラー級数展開による隣り合う支持点と自動微分(AD)を結合する新しい物理情報ニューラルネットワーク(PINN)法を提案する。 can-PINNとラベル付けされた結合型自動数値微分フレームワークは、ADとNDの利点を統一し、ADベースのPINNよりも堅牢で効率的なトレーニングを提供する。
  論文  参考訳（メタデータ） (2021-10-29T14:52:46Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• 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)
• DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems [25.791128241015684]
  我々は、従来の解法で使用されるわずかな時間でAC-OPF問題を解決するために、DeepOPFと呼ばれるディープニューラルネットワーク(DNN)アプローチを開発した。 我々はDeepOPFが最先端の解法と比較して最大2桁の計算時間を高速化することを示した。
  論文  参考訳（メタデータ） (2020-07-02T10:26:46Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。