論文の概要: Scalable Exact Verification of Optimization Proxies for Large-Scale Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2405.06109v1
• Date: Thu, 9 May 2024 21:30:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 17:16:40.226457
• Title: Scalable Exact Verification of Optimization Proxies for Large-Scale Optimal Power Flow
• Title（参考訳）: 大規模最適潮流に対する最適化プロキシの拡張性検証
• Authors: Rahul Nellikkath, Mathieu Tanneau, Pascal Van Hentenryck, Spyros Chatzivasileiadis,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.666242596687217
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Optimal Power Flow (OPF) is a valuable tool for power system operators, but it is a difficult problem to solve for large systems. Machine Learning (ML) algorithms, especially Neural Networks-based (NN) optimization proxies, have emerged as a promising new tool for solving OPF, by estimating the OPF solution much faster than traditional methods. However, these ML algorithms act as black boxes, and it is hard to assess their worst-case performance across the entire range of possible inputs than an OPF can have. Previous work has proposed a mixed-integer programming-based methodology to quantify the worst-case violations caused by a NN trained to estimate the OPF solution, throughout the entire input domain. This approach, however, does not scale well to large power systems and more complex NN models. This paper addresses these issues by proposing a scalable algorithm to compute worst-case violations of NN proxies used for approximating large power systems within a reasonable time limit. This will help build trust in ML models to be deployed in large industry-scale power grids.
• Abstract（参考訳）: 最適電力フロー (OPF) は電力系統オペレーターにとって貴重なツールであるが、大規模システムでは解決が難しい。 機械学習(ML)アルゴリズム、特にニューラルネットワークベースのNN最適化プロキシは、従来の方法よりも高速にOPFソリューションを推定することにより、OPF問題を解決するための有望な新しいツールとして登場した。 しかし、これらのMLアルゴリズムはブラックボックスとして機能し、OPFが持つ可能性のある入力範囲全体で最悪の性能を評価することは困難である。 従来の研究では、入力領域全体にわたってOPFソリューションを推定するために訓練されたNNが起こした最悪のケース違反を定量化する混合整数プログラミングベースの手法が提案されている。 しかし、このアプローチは大規模な電力システムやより複雑なNNモデルには適していない。 本稿では,大規模な電力系統を合理的な時間制限で近似するために使用されるNNプロキシの最悪のケース違反を計算するために,スケーラブルなアルゴリズムを提案する。 これにより、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ちます。

関連論文リスト

• CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations [0.7545833157486899]
  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。
  論文  参考訳（メタデータ） (2024-03-26T12:47:04Z)
• 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)
• 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)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• 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。