論文の概要: QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints

• arxiv url: http://arxiv.org/abs/2401.06820v1
• Date: Thu, 11 Jan 2024 20:17:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-01-22 10:17:27.482308
• Title: QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints
• Title（参考訳）: QCQP-Net:制約下での交換可能な最適潮流解を確実に学習する
• Authors: Sihan Zeng, Youngdae Kim, Yuxuan Ren, Kibaek Kim
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.1920378271058425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At the heart of power system operations, alternating current optimal power flow (ACOPF) studies the generation of electric power in the most economical way under network-wide load requirement, and can be formulated as a highly structured non-convex quadratically constrained quadratic program (QCQP). Optimization-based solutions to ACOPF (such as ADMM or interior-point method), as the classic approach, require large amount of computation and cannot meet the need to repeatedly solve the problem as load requirement frequently changes. On the other hand, learning-based methods that directly predict the ACOPF solution given the load input incur little computational cost but often generates infeasible solutions (i.e. violate the constraints of ACOPF). In this work, we combine the best of both worlds -- we propose an innovated framework for learning ACOPF, where the input load is mapped to the ACOPF solution through a neural network in a computationally efficient and reliable manner. Key to our innovation is a specific-purpose "activation function" defined implicitly by a QCQP and a novel loss, which enforce constraint satisfaction. We show through numerical simulations that our proposed method achieves superior feasibility rate and generation cost in situations where the existing learning-based approaches fail.
• Abstract（参考訳）: 電力系統の運用の中心において、交流電流最適電力流(ACOPF)は、ネットワーク全体の負荷条件の下で最も経済的に電力の発生を研究し、高度に構造化された非凸二次計画(QCQP)として定式化することができる。 ACOPF(ADMMや内部点法など)の最適化ベースのソリューションは、従来の手法では大量の計算を必要とするため、負荷要求が頻繁に変化するため、繰り返し解決する必要がなくなる。 一方、負荷入力の少ない計算コストでACOPFソリューションを直接予測する学習ベースの手法は、しばしば実現不可能なソリューションを生成する(すなわち、ACOPFの制約に違反している)。 そこで本研究では,入力負荷を計算効率良く信頼性の高い方法でニューラルネットワークを介してacopfソリューションにマッピングする,acopf学習のための革新フレームワークを提案する。 我々のイノベーションの鍵は、qcqpと新しい損失によって暗黙的に定義される特定の目的の「活性化関数」です。 提案手法は,既存の学習ベースアプローチが失敗する場合に,高い実現率と生成コストが得られることを数値シミュレーションにより示す。

関連論文リスト

• GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
  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。
  論文  参考訳（メタデータ） (2023-02-16T17:59:06Z)
• 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)
• 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)
• 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)
• Neural Networks for Encoding Dynamic Security-Constrained Optimal Power Flow [0.0]
  本稿では,それまでの難解な最適化制約を捕捉し,それらを混合整数線形プログラムに変換するフレームワークを提案する。 我々は,N-1セキュリティと小信号安定性を考慮した電力系統運用へのアプローチを実証し,コスト最適解を効率的に得る方法を示した。
  論文  参考訳（メタデータ） (2020-03-17T21:01:17Z)

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。