論文の概要: Feasibility Layer Aided Machine Learning Approach for Day-Ahead Operations

• arxiv url: http://arxiv.org/abs/2208.06742v1
• Date: Sat, 13 Aug 2022 22:44:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 15:09:42.223081
• Title: Feasibility Layer Aided Machine Learning Approach for Day-Ahead Operations
• Title（参考訳）: 日頭操作のための実現可能性層支援機械学習アプローチ
• Authors: Arun Venkatesh Ramesh and Xingpeng Li
• Abstract要約: デイアヘッド演算は、ジェネレータのコミットスケジュールとディスパッチを決定する、複雑で計算集約的な最適化プロセスを含む。 過去の情報における既存のパターンは、セキュリティ制約単位コミットメント(SCUC)のモデル削減に活用できる。 提案手法は,IEEE 24-Busシステム,IEEE-73バスシステム,IEEE 118-Busシステム,500-Busシステム,ポーランド2383-Busシステムなど,いくつかの試験システムで検証されている。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Day-ahead operations involves a complex and computationally intensive optimization process to determine the generator commitment schedule and dispatch. The optimization process is a mixed-integer linear program (MILP) also known as security-constrained unit commitment (SCUC). Independent system operators (ISOs) run SCUC daily and require state-of-the-art algorithms to speed up the process. Existing patterns in historical information can be leveraged for model reduction of SCUC, which can provide significant time savings. In this paper, machine learning (ML) based classification approaches, namely logistic regression, neural networks, random forest and K-nearest neighbor, were studied for model reduction of SCUC. The ML was then aided with a feasibility layer (FL) and post-process technique to ensure high-quality solutions. The proposed approach is validated on several test systems namely, IEEE 24-Bus system, IEEE-73 Bus system, IEEE 118-Bus system, 500-Bus system, and Polish 2383-Bus system. Moreover, model reduction of a stochastic SCUC (SSCUC) was demonstrated utilizing a modified IEEE 24-Bus system with renewable generation. Simulation results demonstrate a high training accuracy to identify commitment schedule while FL and post-process ensure ML predictions do not lead to infeasible solutions with minimal loss in solution quality.
• Abstract（参考訳）: デイアヘッド演算は、ジェネレータのコミットスケジュールとディスパッチを決定する、複雑で計算集約的な最適化プロセスを含む。 最適化プロセスは、SCUC(Security-Constrained Unit commitment)としても知られる混合整数線形プログラム(MILP)である。 独立系演算子(ISO)はSCUCを毎日実行し、プロセスの高速化には最先端のアルゴリズムを必要とする。 履歴情報の既存のパターンはscucのモデル削減に活用でき、大幅な時間を節約できる。 本稿では,機械学習に基づく分類手法,すなわちロジスティック回帰,ニューラルネットワーク,ランダムフォレスト,K-アネレストをSCUCのモデル化のために検討した。 MLは、高品質なソリューションを保証するために、実行層(FL)と後処理技術によって支援された。 提案手法は,IEEE 24-Busシステム,IEEE-73バスシステム,IEEE 118-Busシステム,500-Busシステム,ポーランド2383-Busシステムなど,いくつかの試験システムで検証されている。 さらに, 改良型IEEE 24-Busシステムを用いた確率的SCUC (SSCUC) のモデル還元実験を行った。 シミュレーション結果は、ml予測がソリューション品質の損失を最小限に抑えるために実現不可能なソリューションにならないことを保証する一方で、コミットスケジュールを特定するための高いトレーニング精度を示す。

関連論文リスト

• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Toward Rapid, Optimal, and Feasible Power Dispatch through Generalized Neural Mapping [0.0]
  パワーディスパッチ問題を解決するための学習ベースアプローチとして LOOP-LC 2.0 を提案する。 LOOP-LC 2.0フレームワークの顕著な利点は、ソリューションのほぼ最適性と厳密な実現性を保証する能力である。 本稿では, LOOP-LC 2.0法の有効性を, 学習速度, 計算時間, 最適性, ソリューション実現可能性の観点から示す。
  論文  参考訳（メタデータ） (2023-11-08T17:02:53Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit Commitment [0.5076419064097734]
  SCUC(Security-Constrained Unit commitment)は、電力系統の日頭スケジューリングと市場浄化に使用される計算上の複雑なプロセスである。 本稿では,制約の空間的相関と時間的相関を本質的に考慮した,電力系統履歴データのパターンの学習に先進機械学習(ML)モデルを用いる。 ST関連MLモデルはグラフニューラルネットワーク(GNN)を考慮して空間相関を理解するために訓練される一方、時間列は長期記憶(LSTM)ネットワークを用いて研究される。
  論文  参考訳（メタデータ） (2023-06-02T14:31:24Z)
• Minimizing Worst-Case Violations of Neural Networks [0.0]
  本稿では,高い平均性能と最低ケース違反の両方を達成するために設計されたニューラルネットワークトレーニング手法を提案する。 本稿では, 39バスから162バスまで, AC-OPF と DC-OPF の2種類の試験システムを対象としたアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-12-21T11:20:12Z)
• Performance Optimization for Variable Bitwidth Federated Learning in Wireless Networks [103.22651843174471]
  本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。 提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。 FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
  論文  参考訳（メタデータ） (2022-09-21T08:52:51Z)
• Machine Learning Assisted Approach for Security-Constrained Unit Commitment [0.0]
  セキュリティ制約単位コミットメント(SCUC)は、電力系統のデイアヘッド発生スケジューリングに使用される。 優れたウォームスタートソリューションや縮小SCUCモデルは、大幅な時間節約をもたらす可能性がある。 機械学習(ML)を効果的に活用し、優れた開始解を提供し、SCUCの問題を小さくする新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T03:51:26Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Adaptive Transmission Scheduling in Wireless Networks for Asynchronous Federated Learning [13.490583662839725]
  無線学習ネットワーク(WDLN)における非同期フェデレーションラーニング(FL)の研究 Asynchronous Learning-Aware transmission Scheduling (ALS) 問題を定式化し、効果スコアを最大化します。 ALSアルゴリズムによって訓練されたモデルが理想的なベンチマークによってそれに近い性能を達成することをシミュレーションによって示します。
  論文  参考訳（メタデータ） (2021-03-02T02:28:20Z)
• 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)
• 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)

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。