論文の概要: Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach

• arxiv url: http://arxiv.org/abs/2401.10451v4
• Date: Wed, 17 Jul 2024 16:43:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 03:51:44.118418
• Title: Learning-assisted Stochastic Capacity Expansion Planning: A Bayesian Optimization Approach
• Title（参考訳）: 学習支援確率的容量拡張計画:ベイズ最適化アプローチ
• Authors: Aron Brenner, Rahman Khorramfar, Dharik Mallapragada, Saurabh Amin,
• Abstract要約: 大規模容量拡大問題(CEP)は、地域エネルギーシステムのコスト効率の高い脱炭の中心である。 本稿では,2段階のCEPを抽出する学習支援近似解法を提案する。 本手法では, 直列集約法と比較して最大3.8%のコスト削減効果が得られた。
• 参考スコア（独自算出の注目度）: 3.124884279860061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving large-scale capacity expansion problems (CEPs) is central to cost-effective decarbonization of regional-scale energy systems. To ensure the intended outcomes of CEPs, modeling uncertainty due to weather-dependent variable renewable energy (VRE) supply and energy demand becomes crucially important. However, the resulting stochastic optimization models are often less computationally tractable than their deterministic counterparts. Here, we propose a learning-assisted approximate solution method to tractably solve two-stage stochastic CEPs. Our method identifies low-cost planning decisions by constructing and solving a sequence of tractable temporally aggregated surrogate problems. We adopt a Bayesian optimization approach to searching the space of time series aggregation hyperparameters and compute approximate solutions that minimize costs on a validation set of supply-demand projections. Importantly, we evaluate solved planning outcomes on a held-out set of test projections. We apply our approach to generation and transmission expansion planning for a joint power-gas system spanning New England. We show that our approach yields an estimated cost savings of up to 3.8% in comparison to benchmark time series aggregation approaches.
• Abstract（参考訳）: 大規模容量拡大問題(CEP)の解決は、地域規模のエネルギーシステムのコスト効率の高い脱炭の中心である。 CEPの意図した結果を保証するため、気象に依存した可変再生可能エネルギー(VRE)の供給とエネルギー需要による不確実性をモデル化することが重要である。 しかし、結果として生じる確率的最適化モデルは、決定論的モデルよりも計算能力が低いことが多い。 本稿では,2段階確率CEPを抽出可能な学習支援近似解法を提案する。 提案手法は, トラクタブルな時間的集約型サロゲート問題の列を構築し, 解決することで, 低コストな計画決定を導出する。 我々は、時系列集約ハイパーパラメータの空間を探索するベイズ最適化手法を採用し、供給需要予測の検証セットにおけるコストを最小限に抑える近似解を計算する。 重要なことは、テスト予測の保留セットにおいて、解決された計画結果を評価することである。 我々は,ニューイングランドにまたがるジョイントパワーガスシステムの発電・送電拡張計画に,我々のアプローチを適用した。 提案手法では,ベンチマーク時系列集計手法と比較して最大3.8%のコスト削減が期待できる。

関連論文リスト

• Efficient Learning of POMDPs with Known Observation Model in Average-Reward Setting [56.92178753201331]
  我々は,POMDPパラメータを信念に基づくポリシを用いて収集したサンプルから学習することのできる観測・認識スペクトル(OAS)推定手法を提案する。 提案するOAS-UCRLアルゴリズムに対して,OASプロシージャの整合性を示し,$mathcalO(sqrtT log(T)$の残差保証を証明した。
  論文  参考訳（メタデータ） (2024-10-02T08:46:34Z)
• Cost Estimation in Unit Commitment Problems Using Simulation-Based Inference [6.272802501890752]
  ユニットコミット(英: Unit Commitment)は、有限時間にわたって電力ユニットの生成スケジュールを予測するための、電力システムにおける重要な最適化タスクである。 UCの問題で要求される多くのパラメータは、コストなど不明である。 本研究では,これらの未知のコストを,実証的なUC問題に対するシミュレーションベース推論を用いて推定する。
  論文  参考訳（メタデータ） (2024-09-05T14:43:11Z)
• Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
  任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。 本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
  論文  参考訳（メタデータ） (2023-10-02T11:24:36Z)
• Online Learning and Optimization for Queues with Unknown Demand Curve and Service Distribution [26.720986177499338]
  サービス提供者が最適なサービス料金 p とサービス容量 mu を選択する待ち行列システムにおける最適化問題について検討する。 本研究では,パラメータ推定誤差を自動的に解法に組み込むオンライン学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2023-03-06T08:47:40Z)
• Optimal Operation of Power Systems with Energy Storage under Uncertainty: A Scenario-based Method with Strategic Sampling [0.0]
  エネルギー貯蔵(ES)、断続再生可能エネルギー、制御不能電力負荷の多周期ダイナミクスは、電力系統運用(PSO)の最適化を困難にしている。 不確実性下での多周期最適PSOは、確率制約付き確率最適化(CCO)モデルパラダイムを用いて定式化される。 本稿では,この難解なCCO問題に対する新しい解法を提案する。
  論文  参考訳（メタデータ） (2021-07-21T11:21:50Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Successive Convex Approximation Based Off-Policy Optimization for Constrained Reinforcement Learning [12.523496806744946]
  本稿では,一般的な制約付き強化学習問題の解法として,凸近似に基づくオフポリティ最適化(SCAOPO)アルゴリズムを提案する。 時変状態分布と非政治学習によるバイアスにもかかわらず、実現可能な初期点を持つSCAOPOはカルーシュ=クーン=タッカー点に確実に収束することができる。
  論文  参考訳（メタデータ） (2021-05-26T13:52:39Z)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)
• 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)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。