Fugu-MT 論文翻訳(概要): Enabling Fast Unit Commitment Constraint Screening via Learning Cost Model

論文の概要: Enabling Fast Unit Commitment Constraint Screening via Learning Cost Model

arxiv url: http://arxiv.org/abs/2212.00483v1
Date: Thu, 1 Dec 2022 13:19:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-02 17:58:21.322082
Title: Enabling Fast Unit Commitment Constraint Screening via Learning Cost Model
Title（参考訳）: 学習コストモデルによる高速ユニットコミット制約スクリーニングの実現
Authors: Xuan He, Honglin Wen, Yufan Zhang and Yize Chen
Abstract要約: ユニットコミットメント(UC)は、最も経済的かつ実現可能な生成スケジュールとディスパッチ信号を見つけるために、送信システムオペレーターに不可欠なツールである。負荷入力の最も経済的コストを予測するため,機械学習(ML)モデルを提案する。
参考スコア（独自算出の注目度）: 7.226144684379189
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Unit commitment (UC) are essential tools to transmission system operators for finding the most economical and feasible generation schedules and dispatch signals. Constraint screening has been receiving attention as it holds the promise for reducing a number of inactive or redundant constraints in the UC problem, so that the solution process of large scale UC problem can be accelerated by considering the reduced optimization problem. Standard constraint screening approach relies on optimizing over load and generations to find binding line flow constraints, yet the screening is conservative with a large percentage of constraints still reserved for the UC problem. In this paper, we propose a novel machine learning (ML) model to predict the most economical costs given load inputs. Such ML model bridges the cost perspectives of UC decisions to the optimization-based constraint screening model, and can screen out higher proportion of operational constraints. We verify the proposed method's performance on both sample-aware and sample-agnostic setting, and illustrate the proposed scheme can further reduce the computation time on a variety of setup for UC problems.
Abstract（参考訳）: ユニットコミットメント(UC)は、最も経済的かつ実現可能な生成スケジュールと送信信号を見つけるために、送信システムオペレーターに不可欠なツールである。制約スクリーニングは、UC問題における多くの不活性な制約や冗長な制約を減らし、最適化問題を考慮し、大規模UC問題の解法を加速させるという約束を果たすことで注目されている。標準制約スクリーニングアプローチは、バインドラインフローの制約を見つけるためにロードと世代を最適化するが、それでもuc問題に留まった制約の大部分が保守的である。本稿では,負荷入力に対して最も経済的なコストを予測するための機械学習(ml)モデルを提案する。このようなMLモデルは、UC決定のコスト観点を最適化ベースの制約スクリーニングモデルにブリッジし、より高い操作制約をスクリーニングすることができる。提案手法の性能はサンプル認識とサンプル認識の両方で検証し,提案手法はUC問題に対する様々な設定の計算時間をさらに短縮することができることを示す。

関連論文リスト

Cost Estimation in Unit Commitment Problems Using Simulation-Based Inference [6.272802501890752]
ユニットコミット(英: Unit Commitment)は、有限時間にわたって電力ユニットの生成スケジュールを予測するための、電力システムにおける重要な最適化タスクである。 UCの問題で要求される多くのパラメータは、コストなど不明である。本研究では,これらの未知のコストを,実証的なUC問題に対するシミュレーションベース推論を用いて推定する。
論文参考訳（メタデータ） (2024-09-05T14:43:11Z)
Online Constraint Tightening in Stochastic Model Predictive Control: A Regression Approach [49.056933332667114]
確率制約付き最適制御問題に対する解析解は存在しない。制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
論文参考訳（メタデータ） (2023-10-04T16:22:02Z)
Learning Feasibility Constraints for Control Barrier Functions [8.264868845642843]
我々は、擬似プログラム(QP)の実現性を確保するために機械学習技術を採用している。 CBFのための新しい実現可能性制約を学習するためのサンプリングベース学習手法を提案する。本稿では,制約付き最適制御問題に対する学習手法の利点を示す。
論文参考訳（メタデータ） (2023-03-10T16:29:20Z)
Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
論文参考訳（メタデータ） (2022-12-23T22:29:08Z)
ACE: Adaptive Constraint-aware Early Stopping in Hyperparameter Optimization [18.81207777891714]
適応制約対応早期停止法(ACE)を提案し,HPO中の試行錯誤に制約評価を組み込む。全体の最適化コストを最小限に抑えるため、ACEは期待される評価コストの理論的解析に基づいて、コスト効果のある制約評価間隔を推定する。
論文参考訳（メタデータ） (2022-08-04T22:56:16Z)
Algorithm for Constrained Markov Decision Process with Linear Convergence [55.41644538483948]
エージェントは、そのコストに対する複数の制約により、期待される累積割引報酬を最大化することを目的としている。エントロピー正規化ポリシーとベイダの二重化という2つの要素を統合した新しい双対アプローチが提案されている。提案手法は(線形速度で)大域的最適値に収束することが示されている。
論文参考訳（メタデータ） (2022-06-03T16:26:38Z)
Regret-optimal Estimation and Control [52.28457815067461]
後悔最適推定器と後悔最適制御器は状態空間形式で導出可能であることを示す。非線形力学系に対するモデル予測制御(MPC)と拡張KalmanFilter(EKF)の残差最適類似性を提案する。
論文参考訳（メタデータ） (2021-06-22T23:14:21Z)
A Lyapunov-Based Methodology for Constrained Optimization with Bandit Feedback [22.17503016665027]
各アクションが未知の関節分布からランダムな報酬、コスト、ペナルティを返す問題を考える。我々は、$tt LyOn$という新しい低複雑さアルゴリズムを提案し、$O(sqrtBlog B)$ regretと$O(log B/B)$ constraint-violationを達成することを証明した。計算コストの低い$tt LyOn$は、Lyapunovをベースとしたアルゴリズム設計手法が制約付き帯域最適化問題の解決に有効であることを示唆している。
論文参考訳（メタデータ） (2021-06-09T16:12:07Z)
Uncertainty aware Search Framework for Multi-Objective Bayesian Optimization with Constraints [44.25245545568633]
高価な関数評価を用いた制約付きマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。本稿では,制約付き多目的最適化のための不確実性認識検索フレームワークを提案する。 UeMOCは最適化回路の探索に必要なシミュレーション数を90%以上削減できることを示す。
論文参考訳（メタデータ） (2020-08-16T23:34:09Z)
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)
Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。