論文の概要: Grid-SiPhyR: An end-to-end learning to optimize framework for combinatorial problems in power systems

• arxiv url: http://arxiv.org/abs/2206.06789v3
• Date: Wed, 24 May 2023 21:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-27 00:16:41.511176
• Title: Grid-SiPhyR: An end-to-end learning to optimize framework for combinatorial problems in power systems
• Title（参考訳）: Grid-SiPhyR: 電力系統の組合せ問題に対するフレームワーク最適化のためのエンドツーエンド学習
• Authors: Rabab Haider and Anuradha M. Annaswamy
• Abstract要約: SiPhyRは物理インフォームド機械学習フレームワークで、エンドツーエンドの学習で問題解決を最適化する。 クリーンエネルギーシステムの新たなパラダイムにおけるSiPhyRの有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mixed integer problems are ubiquitous in decision making, from discrete device settings and design parameters, unit production, and on/off or yes/no decision in switches, routing, and social networks. Despite their prevalence, classical optimization approaches for combinatorial optimization remain prohibitively slow for fast and accurate decision making in dynamic and safety-critical environments with hard constraints. To address this gap, we propose SiPhyR (pronounced: cipher), a physics-informed machine learning framework for end-to-end learning to optimize for combinatorial problems. SiPhyR employs a novel physics-informed rounding approach to tackle the challenge of combinatorial optimization within a differentiable framework that has certified satisfiability of safety-critical constraints. We demonstrate the effectiveness of SiPhyR on an emerging paradigm for clean energy systems: dynamic reconfiguration, where the topology of the electric grid and power flow are optimized so as to maintain a safe and reliable power grid in the presence of intermittent renewable generation. Offline training of the unsupervised framework on representative load and generation data makes dynamic decision making via the online application of Grid-SiPhyR computationally feasible.
• Abstract（参考訳）: 混合整数問題は、個別のデバイス設定や設計パラメータ、ユニット生産、スイッチ、ルーティング、ソーシャルネットワークにおけるオン/オフ、イエス/ノーなど、意思決定においてユビキタスである。 コンビネート最適化に対する古典的な最適化アプローチは、厳しい制約のある動的かつ安全クリティカルな環境での迅速かつ正確な意思決定において、依然として非常に遅いままである。 このギャップに対処するため,我々は,コンビネート問題に最適化するエンドツーエンド学習のための物理モデル学習フレームワーク siphyr (cipher と発音する) を提案する。 SiPhyRは、安全臨界制約の満足度を証明した微分可能なフレームワーク内での組合せ最適化の課題に取り組むために、新しい物理インフォームド・ラウンドリングアプローチを採用している。 電力網のトポロジーと電力の流れを最適化し、断続的な再生可能発電が存在する場合に安全で信頼性の高い電力網を維持する。 代表負荷および生成データに対する教師なしフレームワークのオフライントレーニングは、Grid-SiPhyRのオンラインアプリケーションによる動的意思決定を可能にする。

関連論文リスト

• Reconfigurable Intelligent Surface Aided Vehicular Edge Computing: Joint Phase-shift Optimization and Multi-User Power Allocation [28.47670676456068]
  本稿では、車載通信を支援するための代替通信経路を提供するRIS(Reconfigurable Intelligent Surfaces)について紹介する。 本稿では、RIS位相シフト係数を最適化するDeep Deterministic Policy Gradient(DDPG)アルゴリズムと、車両ユーザ(VU)の電力配分を最適化するMulti-Agent Deep Deterministic Policy Gradient(MADDPG)アルゴリズムを組み合わせたDRLフレームワークを提案する。 シミュレーションの結果,提案手法は従来の集中型DDPG, Twin Delayed Deep Deterministic Policy Gradient (TD3) およびいくつかの典型的なスキームよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-18T03:18:59Z)
• A neural network-based approach to hybrid systems identification for control [4.324244627273018]
  本研究では,未知の力学系の機械学習モデルの設計を有限個の(状態入力)状態データポイントから検討する。 ニューラルネットワーク(NN)アーキテクチャを採用して、適切なトレーニングをすれば、連続的なピースワイズ-ファインダイナミクスを備えたハイブリッドシステムが得られるのです。 NNの重みを慎重に選択すると、有限地平面最適制御問題の一部として使用する場合に非常に有利な構造特性を持つハイブリッドシステムモデルが得られることを示す。
  論文  参考訳（メタデータ） (2024-04-02T10:16:30Z)
• 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)
• Approaching Globally Optimal Energy Efficiency in Interference Networks via Machine Learning [22.926877147296594]
  本研究は,マルチセル無線ネットワークにおけるエネルギー効率(EE)を最適化する機械学習手法を提案する。 その結果,この手法は分岐計算テストにより最適値に近いEEを達成できることが判明した。
  論文  参考訳（メタデータ） (2022-11-25T08:36:34Z)
• Model-Informed Generative Adversarial Network (MI-GAN) for Learning Optimal Power Flow [5.407198609685119]
  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。 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、データの利用によって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。
  論文  参考訳（メタデータ） (2022-06-04T00:37:37Z)
• Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
  再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。 無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。 本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
  論文  参考訳（メタデータ） (2022-04-28T09:26:14Z)
• Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
  エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。 場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。 本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-04T20:18:55Z)
• Non-stationary Online Learning with Memory and Non-stochastic Control [71.14503310914799]
  我々は,過去の決定に依拠する損失関数を許容するメモリを用いたオンライン凸最適化(OCO)の問題について検討する。 本稿では,非定常環境に対してロバストなアルゴリズムを設計するための性能指標として,動的ポリシーの後悔を紹介する。 我々は,時間的地平線,非定常度,メモリ長といった面で,最適な動的ポリシーの後悔を確実に享受するメモリ付きOCOの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T09:45:15Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• 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。