論文の概要: CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations

• arxiv url: http://arxiv.org/abs/2403.17660v1
• Date: Tue, 26 Mar 2024 12:47:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 15:27:36.587454
• Title: CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations
• Title（参考訳）: CANOS:N-1摂動に対する高速でスケーラブルなAC-OPF解決法
• Authors: Luis Piloto, Sofia Liguori, Sephora Madjiheurem, Miha Zgubic, Sean Lovett, Hamish Tomlinson, Sophie Elster, Chris Apps, Sims Witherspoon,
• Abstract要約: 最も単純な設定では、OPF (Optimal Power Flow) はコストを最小限に抑えるためにどれだけの電力を生成するかを決定する。 電力グリッド演算子はAC-OPF問題の近似を用いる。 本研究では,計算速度を損なうことなく,準最適解(真のAC-OPFコストの1%)を予測するためのディープラーニングシステム(CANOS)を訓練する。
• 参考スコア（独自算出の注目度）: 0.7545833157486899
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal Power Flow (OPF) refers to a wide range of related optimization problems with the goal of operating power systems efficiently and securely. In the simplest setting, OPF determines how much power to generate in order to minimize costs while meeting demand for power and satisfying physical and operational constraints. In even the simplest case, power grid operators use approximations of the AC-OPF problem because solving the exact problem is prohibitively slow with state-of-the-art solvers. These approximations sacrifice accuracy and operational feasibility in favor of speed. This trade-off leads to costly "uplift payments" and increased carbon emissions, especially for large power grids. In the present work, we train a deep learning system (CANOS) to predict near-optimal solutions (within 1% of the true AC-OPF cost) without compromising speed (running in as little as 33--65 ms). Importantly, CANOS scales to realistic grid sizes with promising empirical results on grids containing as many as 10,000 buses. Finally, because CANOS is a Graph Neural Network, it is robust to changes in topology. We show that CANOS is accurate across N-1 topological perturbations of a base grid typically used in security-constrained analysis. This paves the way for more efficient optimization of more complex OPF problems which alter grid connectivity such as unit commitment, topology optimization and security-constrained OPF.
• Abstract（参考訳）: OPF(Optimal Power Flow)は、オペレーティングシステムを効率よく安全に運用することを目的とした、幅広い最適化問題を指す。 最も単純な設定では、OPFは、電力の需要を満たし、物理的および運用上の制約を満たす間、コストを最小限に抑えるために、どれだけの電力を生成するかを決定する。 最も単純な場合でさえ、電力グリッド演算子はAC-OPF問題の近似を用いる。 これらの近似は、精度と運用可能性を犠牲にし、速度を優先する。 このトレードオフは、特に大規模な電力網において、コストのかかる「昇給」と二酸化炭素排出量の増加につながる。 本研究では,高速(33-65ms以下)で動作させることなく,最適に近い解(真のAC-OPFコストの1%)を予測するために,ディープラーニングシステム(CANOS)を訓練する。 重要なことは、CANOSは1万台ものバスを含むグリッド上で実証的な結果をもたらす、現実的なグリッドサイズにスケールすることです。 最後に、CANOSはグラフニューラルネットワークであるため、トポロジの変更に対して堅牢である。 CANOSは,一般にセキュリティ制約解析に使用されるベースグリッドのN-1トポロジ的摂動に対して正確であることを示す。 これにより、ユニットコミットメントやトポロジ最適化、セキュリティ制約のあるOPFといったグリッド接続を変更する複雑なOPF問題のより効率的な最適化が可能になる。

関連論文リスト

• Scalable Exact Verification of Optimization Proxies for Large-Scale Optimal Power Flow [14.666242596687217]
  本稿では,大規模電力系統の近似に使用されるNNプロキシの最悪ケース違反を計算するためのスケーラブルなアルゴリズムを提案する。 これは、大規模な産業規模の電力グリッドにデプロイされるMLモデルの信頼性を構築するのに役立つだろう。
  論文  参考訳（メタデータ） (2024-05-09T21:30:03Z)
• 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 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)
• 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)
• Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings [17.338923885534193]
  交流の最適電力の流れ(AC-OPF)は電力系統操作の基本的な問題の1つです。 本稿では,電力フローソルバの動作を微分することにより,この問題を回避する効率的な戦略を示す。 従来の解法に比べて12倍の速度向上と40%の堅牢性向上を報告した。
  論文  参考訳（メタデータ） (2020-12-16T18:23:51Z)
• DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems [25.791128241015684]
  我々は、従来の解法で使用されるわずかな時間でAC-OPF問題を解決するために、DeepOPFと呼ばれるディープニューラルネットワーク(DNN)アプローチを開発した。 我々はDeepOPFが最先端の解法と比較して最大2桁の計算時間を高速化することを示した。
  論文  参考訳（メタデータ） (2020-07-02T10:26:46Z)
• 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。