論文の概要: Data-Driven Stochastic AC-OPF using Gaussian Processes
- arxiv url: http://arxiv.org/abs/2402.11365v1
- Date: Sat, 17 Feb 2024 19:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 21:33:04.737362
- Title: Data-Driven Stochastic AC-OPF using Gaussian Processes
- Title（参考訳）: ガウス過程を用いたデータ駆動確率AC-OPF
- Authors: Mile Mitrovic
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The thesis focuses on developing a data-driven algorithm, based on machine
learning, to solve the stochastic alternating current (AC) chance-constrained
(CC) Optimal Power Flow (OPF) problem. Although the AC CC-OPF problem has been
successful in academic circles, it is highly nonlinear and computationally
demanding, which limits its practical impact. The proposed approach aims to
address this limitation and demonstrate its empirical efficiency through
applications to multiple IEEE test cases. To solve the non-convex and
computationally challenging CC AC-OPF problem, the proposed approach relies on
a machine learning Gaussian process regression (GPR) model. The full Gaussian
process (GP) approach is capable of learning a simple yet non-convex
data-driven approximation to the AC power flow equations that can incorporate
uncertain inputs. The proposed approach uses various approximations for
GP-uncertainty propagation. The full GP CC-OPF approach exhibits highly
competitive and promising results, outperforming the state-of-the-art
sample-based chance constraint approaches. To further improve the robustness
and complexity/accuracy trade-off of the full GP CC-OPF, a fast data-driven
setup is proposed. This setup relies on the sparse and hybrid Gaussian
processes (GP) framework to model the power flow equations with input
uncertainty.
- Abstract（参考訳）: この論文は、確率交互流(AC)確率制約(CC)最適潮流(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。
AC CC-OPF問題は学術分野では成功したが、非常に非線形で計算的に要求され、実際的な影響を制限している。
提案手法は,複数のIEEEテストケースへの適用を通じて,この制限に対処し,その経験的効率性を実証することを目的としている。
非凸で計算的に困難なCC AC-OPF問題を解決するため、提案手法は機械学習ガウス過程回帰(GPR)モデルに依存する。
ガウス過程 (GP) のアプローチは、不確実な入力を組み込むことができるACパワーフロー方程式への単純な非凸データ駆動近似を学習することができる。
提案手法はgp-uncertaintyの伝播に様々な近似を用いる。
GP CC-OPFアプローチは、最先端のサンプルベースのチャンス制約アプローチよりも優れた、非常に競争力があり、有望な結果を示す。
GP CC-OPFの堅牢性と複雑性/精度のトレードオフをさらに改善するため,高速なデータ駆動方式を提案する。
このセットアップは、入力不確実性を伴うパワーフロー方程式をモデル化するスパースおよびハイブリッドガウス過程(GP)フレームワークに依存している。
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) - 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) - 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) - Load Embeddings for Scalable AC-OPF Learning [46.79747973916068]
AC Optimal Power Flow (AC-OPF) は、電力系統最適化におけるビルディングブロックである。
近年の研究では,AC-OPFの高精度な近似にディープラーニングが有効であることが示されている。
本稿では,これらのスケーラビリティの限界に対処し,3ステップアプローチによるロード埋め込み方式を提案する。
論文 参考訳（メタデータ） (2021-01-11T15:28:38Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - 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。