論文の概要: A Physics-Informed Machine Learning for Electricity Markets: A NYISO Case Study

• arxiv url: http://arxiv.org/abs/2304.00062v1
• Date: Fri, 31 Mar 2023 18:25:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 19:59:41.570062
• Title: A Physics-Informed Machine Learning for Electricity Markets: A NYISO Case Study
• Title（参考訳）: 電気市場のための物理インフォームド機械学習:NYISOケーススタディ
• Authors: Robert Ferrando, Laurent Pagnier, Robert Mieth, Zhirui Liang, Yury Dvorkin, Daniel Bienstock, Michael Chertkov
• Abstract要約: PIMA-AS-OPFは、ネット負荷とシステムトポロジを入力として取り込む、完全に接続されたニューラルネットワークである。 このニューラルネットワークの出力には、飽和発電機や送電線などのアクティブな制約、非ゼロ負荷層や風量制限が含まれる。 ディスパッチ決定とLMPは、効率的な市場浄化結果の要件に関して、その実現可能性のためにテストされる。
• 参考スコア（独自算出の注目度）: 1.1580136767197162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the challenge of efficiently solving the optimal power flow problem in real-time electricity markets. The proposed solution, named Physics-Informed Market-Aware Active Set learning OPF (PIMA-AS-OPF), leverages physical constraints and market properties to ensure physical and economic feasibility of market-clearing outcomes. Specifically, PIMA-AS-OPF employs the active set learning technique and expands its capabilities to account for curtailment in load or renewable power generation, which is a common challenge in real-world power systems. The core of PIMA-AS-OPF is a fully-connected neural network that takes the net load and the system topology as input. The outputs of this neural network include active constraints such as saturated generators and transmission lines, as well as non-zero load shedding and wind curtailments. These outputs allow for reducing the original market-clearing optimization to a system of linear equations, which can be solved efficiently and yield both the dispatch decisions and the locational marginal prices (LMPs). The dispatch decisions and LMPs are then tested for their feasibility with respect to the requirements for efficient market-clearing results. The accuracy and scalability of the proposed method is tested on a realistic 1814-bus NYISO system with current and future renewable energy penetration levels.
• Abstract（参考訳）: 本稿では,リアルタイム電力市場における最適電力フロー問題の解法について述べる。 提案手法はPMA-AS-OPF (Physics-Informed Market-Aware Active Set Learning OPF) と名付けられ, 物理的制約と市場特性を活用し, 市場浄化結果の物理的および経済的実現性を確保する。 具体的には、PIMA-AS-OPFはアクティブな集合学習技術を採用し、実世界の電力システムではよくある課題である負荷や再生可能発電の削減を考慮した能力を拡張する。 PIMA-AS-OPFのコアは、ネット負荷とシステムトポロジを入力として取り込む、完全に接続されたニューラルネットワークである。 このニューラルネットワークの出力には、飽和発電機や送電線などのアクティブな制約、非ゼロ負荷層や風量制限が含まれる。 これらの出力は、元の市場浄化最適化を線形方程式のシステムに還元し、効率よく解き、ディスパッチ決定と位置限界価格(LMP)の両方を得ることができる。 ディスパッチ決定とLMPは、効率的な市場浄化結果の要件に関して、その実現可能性のためにテストされる。 提案手法の精度とスケーラビリティは,現在および将来の再生可能エネルギー浸透レベルを持つ1814バスnyisoシステムを用いて検証した。

関連論文リスト

• 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)
• Optimal Power Flow in Highly Renewable Power System Based on Attention Neural Networks [43.19619268243832]
  風や太陽のような再生可能エネルギー源の統合は、その固有の変動性のために課題を提起する。 この変動は、主に気象条件の変化によって引き起こされるものであり、電力設定の頻繁な再調整を必要とする。 我々は、模倣学習と過去のヨーロッパの気象データセットを用いて訓練された最先端の物理インフォームド機械学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:02:58Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• 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)
• Machine Learning for Electricity Market Clearing [1.3824488054100905]
  本稿では,最適電力フロー(OPF)最適化の機械学習双対を設計する。 電力市場における市場浄化の手順で用いられる。
  論文  参考訳（メタデータ） (2022-05-23T21:33:59Z)
• Adversarially Robust Learning for Security-Constrained Optimal Power Flow [55.816266355623085]
  我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
  論文  参考訳（メタデータ） (2021-11-12T22:08:10Z)
• Graph Neural Networks for Learning Real-Time Prices in Electricity Market [21.402299307739558]
  OPFの解決から電力市場価格を予測するための新しいグラフニューラルネットワーク(GNN)フレームワークを提案する。 提案するGNN-for-OPFフレームワークは、価格の局所性を革新的に活用し、物理対応の正規化を導入する。 従来の手法に比べて,提案手法の学習効率と適応性の向上が検証された。
  論文  参考訳（メタデータ） (2021-06-19T16:34:56Z)
• 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。