論文の概要: GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2302.08454v1
• Date: Thu, 16 Feb 2023 17:59:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 13:13:42.851586
• Title: GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow
• Title（参考訳）: GP CC-OPF:Chance-Constrained Optimal Power Flowのためのガウスプロセスに基づく最適化ツール
• Authors: Mile Mitrovic, Ognjen Kundacina, Aleksandr Lukashevich, Petr Vorobev, Vladimir Terzija, Yury Maximov, Deepjyoti Deka
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 54.94701604030199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Gaussian Process (GP) based Chance-Constrained Optimal Power Flow (CC-OPF) is an open-source Python code developed for solving economic dispatch (ED) problem in modern power grids. In recent years, integrating a significant amount of renewables into a power grid causes high fluctuations and thus brings a lot of uncertainty to power grid operations. This fact makes the conventional model-based CC-OPF problem non-convex and computationally complex to solve. The developed tool presents a novel data-driven approach based on the GP regression model for solving the CC-OPF problem with a trade-off between complexity and accuracy. The proposed approach and developed software can help system operators to effectively perform ED optimization in the presence of large uncertainties in the power grid.
• Abstract（参考訳）: Gaussian Process (GP)ベースのChance-Constrained Optimal Power Flow (CC-OPF)は、現代の電力網における経済ディスパッチ(ED)問題を解決するために開発されたオープンソースのPythonコードである。 近年、再生可能エネルギーを電力網に統合することで高い変動が生じ、電力網の運用に大きな不確実性をもたらしている。 この事実は、従来のモデルベースのCC-OPF問題を非凸で計算的に複雑にしている。 提案手法は,複雑性と精度のトレードオフを伴うCC-OPF問題の解法として,GP回帰モデルに基づく新しいデータ駆動手法を提案する。 提案手法と開発したソフトウェアは,電力網に大きな不確実性が存在する場合に,システムオペレーターがED最適化を効果的に行うのに役立つ。

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)
• 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)
• 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)
• 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)
• 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)
• 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。