論文の概要: Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian Duality

• arxiv url: http://arxiv.org/abs/2212.03977v1
• Date: Wed, 7 Dec 2022 22:26:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 16:44:54.627502
• Title: Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian Duality
• Title（参考訳）: ラグランジアン双対による交流最適潮流の教師なし深層学習
• Authors: Kejun Chen, Shourya Bose, and Yu Zhang
• Abstract要約: AC最適電力フローは電力系統解析における基本的な最適化問題である。 ディープラーニングベースのアプローチは、時間を要するトレーニングプロセスをオフラインで実行するために、集中的に注目を集めています。 本稿では,AC-OPFのためのエンドツーエンドな教師なし学習基盤を提案する。
• 参考スコア（独自算出の注目度）: 3.412750324146571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-convex AC optimal power flow (AC-OPF) is a fundamental optimization problem in power system analysis. The computational complexity of conventional solvers is typically high and not suitable for large-scale networks in real-time operation. Hence, deep learning based approaches have gained intensive attention to conduct the time-consuming training process offline. Supervised learning methods may yield a feasible AC-OPF solution with a small optimality gap. However, they often need conventional solvers to generate the training dataset. This paper proposes an end-to-end unsupervised learning based framework for AC-OPF. We develop a deep neural network to output a partial set of decision variables while the remaining variables are recovered by solving AC power flow equations. The fast decoupled power flow solver is adopted to further reduce the computational time. In addition, we propose using a modified augmented Lagrangian function as the training loss. The multipliers are adjusted dynamically based on the degree of constraint violation. Extensive numerical test results corroborate the advantages of our proposed approach over some existing methods.
• Abstract（参考訳）: 非凸交流最適電力流(AC-OPF)は電力系統解析における基本的な最適化問題である。 従来の解法の計算複雑性は一般に高く、リアルタイムの大規模ネットワークには適さない。 したがって、ディープラーニングベースのアプローチは、オフラインで時間を要するトレーニングプロセスを実行するために集中的に注目を集めています。 教師付き学習法では、最小限の最適性ギャップを持つ実現可能なAC-OPFソリューションが得られる。 しかし、トレーニングデータセットを生成するには、従来の解法が必要なことが多い。 本稿では,ac-opfのための教師なし学習フレームワークを提案する。 我々は,AC電力流方程式を解くことにより,残りの変数を復元しながら,決定変数の部分集合を出力するディープニューラルネットワークを開発した。 高速で分離されたパワーフローソルバを用いて計算時間を短縮する。 さらに、トレーニング損失として拡張ラグランジアン関数を用いることを提案する。 乗算器は制約違反の程度に応じて動的に調整される。 大規模数値実験の結果は,既存手法に対する提案手法の利点を裏付けるものである。

関連論文リスト

• Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow [0.0]
  AC最適電力流(AC-OPF)問題は、電力系統の運用には不可欠である。 本稿では,単純化と解釈性を融合したニューラルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-30T14:38:43Z)
• QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints [4.1920378271058425]
  本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。 提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
  論文  参考訳（メタデータ） (2024-01-11T20:17:44Z)
• Learning Optimal Power Flow Value Functions with Input-Convex Neural Networks [15.791200937436837]
  最適電力流(OPF)問題は電力システムに不可欠な問題であり、分散制約に固執しながら発電を最適化することを目的としている。 本研究は、他の凸依存決定問題と結合しながら、オンライン環境でより高速な分析を学習するための機械学習(ML)について検討する。
  論文  参考訳（メタデータ） (2023-10-06T21:48:39Z)
• Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
  グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。 深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。 問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
  論文  参考訳（メタデータ） (2022-12-23T17:00:00Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  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。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)
• 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)
• Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings [17.338923885534193]
  交流の最適電力の流れ(AC-OPF)は電力系統操作の基本的な問題の1つです。 本稿では,電力フローソルバの動作を微分することにより,この問題を回避する効率的な戦略を示す。 従来の解法に比べて12倍の速度向上と40%の堅牢性向上を報告した。
  論文  参考訳（メタデータ） (2020-12-16T18:23:51Z)
• 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)
• 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。