論文の概要: Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow
- arxiv url: http://arxiv.org/abs/2212.12470v2
- Date: Wed, 21 Aug 2024 14:35:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 23:35:54.709579
- Title: Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow
- Title(参考訳): グラフニューラルネットワークによる最適潮流の最適化
- Authors: Ángela López-Cardona, Guillermo Bernárdez, Pere Barlet-Ros, Albert Cabellos-Aparicio,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.27638925658716
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimal Power Flow (OPF) is a very traditional research area within the power systems field that seeks for the optimal operation point of electric power plants, and which needs to be solved every few minutes in real-world scenarios. However, due to the nonconvexities that arise in power generation systems, there is not yet a fast, robust solution technique for the full Alternating Current Optimal Power Flow (ACOPF). In the last decades, power grids have evolved into a typical dynamic, non-linear and large-scale control system, known as the power system, so searching for better and faster ACOPF solutions is becoming crucial. Appearance of Graph Neural Networks (GNN) has allowed the natural use of Machine Learning (ML) algorithms on graph data, such as power networks. On the other hand, Deep Reinforcement Learning (DRL) is known for its powerful capability to solve complex decision-making problems. Although solutions that use these two methods separately are beginning to appear in the literature, none has yet combined the advantages of both. We propose a novel architecture based on the Proximal Policy Optimization algorithm with Graph Neural Networks to solve the Optimal Power Flow. The objective is to design an architecture that learns how to solve the optimization problem and that is at the same time able to generalize to unseen scenarios. We compare our solution with the DCOPF in terms of cost after having trained our DRL agent on IEEE 30 bus system and then computing the OPF on that base network with topology changes
- Abstract(参考訳): 最適電力流(Optimal Power Flow、OPF)は、発電所の最適運転点を求める、電力システム分野における非常に伝統的な研究分野であり、現実世界のシナリオでは数分ごとに解決する必要がある。
しかし、発電システムに発生する非凸性のため、完全な交流電流最適電力流(ACOPF)のための高速で堅牢な解法がまだ存在しない。
過去数十年間、電力グリッドは電力システムとして知られる典型的な動的で非線形で大規模な制御システムへと進化してきたため、より高速なACOPFソリューションの探索が重要になっている。
グラフニューラルネットワーク(GNN)の出現により、電力ネットワークなどのグラフデータに機械学習(ML)アルゴリズムを自然に使用できるようになった。
一方、Deep Reinforcement Learning(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。
この2つの手法を別々に用いた解法は文献に現れ始めているが、両者の利点を組み合わさってはいない。
本稿では,グラフニューラルネットワークを用いた近似ポリシ最適化アルゴリズムに基づく新しいアーキテクチャを提案し,最適潮流の解法を提案する。
目的は最適化問題を解決する方法を学ぶアーキテクチャを設計することであり、同時に、目に見えないシナリオに一般化することができる。
IEEE 30バスシステム上でDRLエージェントを訓練し,そのベースネットワーク上でOPFをトポロジ変更で計算した後,コスト面でDCOPFと比較した。
関連論文リスト
- SafePowerGraph-LLM: Novel Power Grid Graph Embedding and Optimization with Large Language Models [12.312620964361844]
このレターではSafePowerGraph-LLMを紹介します。これは大規模言語モデル(LLM)を使用して最適潮流問題を解決するために明示的に設計された最初のフレームワークです。
OPF問題に特化して,LLMのためのテキスト内学習と微調整プロトコルを新たに導入した。
本研究では,LLMアーキテクチャ,サイズ,微調整の影響を明らかにし,現実的なグリッドコンポーネントや制約を扱うフレームワークの能力を示す。
論文 参考訳(メタデータ) (2025-01-13T19:01:58Z) - GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
グラフ拡散型ソリューション生成(GDSG)法を提案する。
このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。
グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
論文 参考訳(メタデータ) (2024-12-11T11:13:43Z) - 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) - Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian
Duality [3.412750324146571]
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。
論文 参考訳(メタデータ) (2022-12-07T22:26:45Z) - 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) - Leveraging power grid topology in machine learning assisted optimal
power flow [0.5076419064097734]
機械学習支援最適電力フロー(OPF)は、非線形および非制約電力フロー問題の計算複雑性を低減することを目的としている。
我々は,機械支援OPFの2つの基本的アプローチに対して,さまざまなFCNN,CNN,GNNモデルの性能を評価する。
相互接続されたユーティリティを持ついくつかの合成格子に対して,特徴変数と対象変数の間の局所性特性は乏しいことを示す。
論文 参考訳(メタデータ) (2021-10-01T10:39:53Z) - 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) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - 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) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳(メタデータ) (2020-06-26T14:20:48Z)
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。