論文の概要: Optimal Power Flow Based on Physical-Model-Integrated Neural Network with Worth-Learning Data Generation

• arxiv url: http://arxiv.org/abs/2301.03766v1
• Date: Tue, 10 Jan 2023 03:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 17:47:48.442195
• Title: Optimal Power Flow Based on Physical-Model-Integrated Neural Network with Worth-Learning Data Generation
• Title（参考訳）: 価値学習データ生成を用いた物理モデル統合ニューラルネットワークによる最適電力フロー
• Authors: Zuntao Hu and Hongcai Zhang
• Abstract要約: 本稿では,物理モデル統合ニューラルネットワーク(NN)に基づくOPF解法を提案する。 提案手法は,従来のNN解法に比べて50%以上の制約違反と最適性損失を減少させることを示した。
• 参考スコア（独自算出の注目度）: 1.370633147306388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fast and reliable solvers for optimal power flow (OPF) problems are attracting surging research interest. As surrogates of physical-model-based OPF solvers, neural network (NN) solvers can accelerate the solving process. However, they may be unreliable for ``unseen" inputs when the training dataset is unrepresentative. Enhancing the representativeness of the training dataset for NN solvers is indispensable but is not well studied in the literature. To tackle this challenge, we propose an OPF solver based on a physical-model-integrated NN with worth-learning data generation. The designed NN is a combination of a conventional multi-layer perceptron (MLP) and an OPF-model module, which outputs not only the optimal decision variables of the OPF problem but also the constraints violation degree. Based on this NN, the worth-learning data generation method can identify feasible samples that are not well generalized by the NN. By iteratively applying this method and including the newly identified worth-learning samples in the training set, the representativeness of the training set can be significantly enhanced. Therefore, the solution reliability of the NN solver can be remarkably improved. Experimental results show that the proposed method leads to an over 50% reduction of constraint violations and optimality loss compared to conventional NN solvers.
• Abstract（参考訳）: 最適潮流(OPF)問題に対する高速で信頼性の高い解法が研究の関心を喚起している。 物理モデルに基づくOPFソルバのサロゲートとして、ニューラルネットワーク(NN)ソルバは解決プロセスを加速することができる。 しかし、トレーニングデータセットが表現できない場合、`unseen'入力に対して信頼できない場合がある。 NNソルバのトレーニングデータセットの代表性を高めることは不可欠であるが、文献では十分に研究されていない。 この課題に対処するため、我々は、価値学習データ生成を伴う物理モデル統合NNに基づくOPFソルバを提案する。 設計NNは、従来の多層パーセプトロン(MLP)とOPFモデルモジュールの組み合わせであり、OPF問題の最適決定変数だけでなく、制約違反度も出力する。 このNNに基づいて、NNが十分に一般化していない有意義なサンプルを識別する価値学習データ生成手法を提案する。 この方法を繰り返し適用し、新たに特定した価値学習サンプルをトレーニングセットに含むことにより、トレーニングセットの表現性を大幅に向上させることができる。 したがって、NNソルバのソリューション信頼性を著しく向上させることができる。 実験の結果,提案手法は従来のNN解法に比べて50%以上の制約違反と最適性損失を減少させることがわかった。

関連論文リスト

• The Finite Element Neural Network Method: One Dimensional Study [0.0]
  本研究は,ペトロフ・ガレルキン法(ペトロフ・ガレルキン法)の枠組みにおける有限要素ニューラルネットワーク法(FENNM)を紹介する。 FENNMは、微分方程式の重み付け残差を近似するために畳み込み演算を用いる。 これにより、従来の有限要素法(FEM)の解法と同様に、強制項と自然境界条件を損失関数に統合することができる。
  論文  参考訳（メタデータ） (2025-01-21T21:39:56Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  ニューラルネットワークのような予測器のための新しいトレーニング原理であるLFP(Layer-wise Feedback Propagation)を提案する。 LFPは、与えられたタスクの解決へのそれぞれの貢献に基づいて、個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分を補強し,有害な部分を弱めるという欲求的アプローチを実現する。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
  制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。 この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
  論文  参考訳（メタデータ） (2022-12-25T15:40:05Z)
• 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)
• 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)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。