論文の概要: Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes

• arxiv url: http://arxiv.org/abs/2208.14814v1
• Date: Tue, 30 Aug 2022 09:27:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:15:51.284162
• Title: Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes
• Title（参考訳）: ハイブリッドスパースガウスプロセスを用いたデータ駆動型チャンス制約AC-OPF
• Authors: Mile Mitrovic, Aleksandr Lukashevich, Petr Vorobev, Vladimir Terzija, Yury Maximov, Deepjyoti Deka
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.70237375696411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The alternating current (AC) chance-constrained optimal power flow (CC-OPF) problem addresses the economic efficiency of electricity generation and delivery under generation uncertainty. The latter is intrinsic to modern power grids because of the high amount of renewables. Despite its academic success, the AC CC-OPF problem is highly nonlinear and computationally demanding, which limits its practical impact. For improving the AC-OPF problem complexity/accuracy trade-off, the paper proposes a fast data-driven setup that uses the sparse and hybrid Gaussian processes (GP) framework to model the power flow equations with input uncertainty. We advocate the efficiency of the proposed approach by a numerical study over multiple IEEE test cases showing up to two times faster and more accurate solutions compared to the state-of-the-art methods.
• Abstract（参考訳）: 交流電流(AC)最適電力流(CC-OPF)問題は、発生の不確実性の下での発電と送電の経済効率に対処する。 後者は再生可能エネルギーの量が多いため、現代の電力網に固有のものである。 学術的な成功にもかかわらず、AC CC-OPF問題は非常に非線形で計算的に要求され、実際的な影響を制限している。 そこで本研究では,sparse and hybrid gaussian process (gp) フレームワークを用いて,入力の不確実性を伴う電力フロー方程式をモデル化する高速データ駆動型セットアップを提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最先端手法と比較して最大2倍高速かつ高精度な解を求める数値的な研究により主張する。

関連論文リスト

• Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow [0.0]
  この研究は、AC-OPFを解くために物理インフォームドグラフニューラルネットワーク、PINCOを探索する。 PINCOは、電力系統における様々な負荷条件を効果的に一般化する。 解法としてもハイブリッド普遍関数近似器としても機能する。
  論文  参考訳（メタデータ） (2024-10-07T08:08:36Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [0.0]
  この論文は、交流電流(AC)制約(CC)パワーフロー(OPF)問題を解決するために、機械学習に基づくデータ駆動アルゴリズムの開発に焦点を当てている。
  論文  参考訳（メタデータ） (2024-02-17T19:30:33Z)
• 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)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• DeepOPF-V: Solving AC-OPF Problems Efficiently [12.512036656559683]
  ディープニューラルネットワークに基づく電圧制約手法(DeepOPF-V)を提案し,高い計算効率で実現可能な解を求める。 DeepOPF-Vは最大3桁のスピードアップを実現し、ソリューションの実現性を維持する上で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-03-22T12:59:06Z)
• Load Embeddings for Scalable AC-OPF Learning [46.79747973916068]
  AC Optimal Power Flow (AC-OPF) は、電力系統最適化におけるビルディングブロックである。 近年の研究では,AC-OPFの高精度な近似にディープラーニングが有効であることが示されている。 本稿では,これらのスケーラビリティの限界に対処し,3ステップアプローチによるロード埋め込み方式を提案する。
  論文  参考訳（メタデータ） (2021-01-11T15:28:38Z)
• 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)
• 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。