論文の概要: Machine Learning for Equitable Load Shedding: Real-time Solution via Learning Binding Constraints

• arxiv url: http://arxiv.org/abs/2407.18989v2
• Date: Mon, 30 Sep 2024 04:19:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 21:58:44.943575
• Title: Machine Learning for Equitable Load Shedding: Real-time Solution via Learning Binding Constraints
• Title（参考訳）: 等価負荷シーディングのための機械学習: バインディング制約の学習によるリアルタイムソリューション
• Authors: Yuqi Zhou, Joseph Severino, Sanjana Vijayshankar, Juliette Ugirumurera, Jibo Sanyal,
• Abstract要約: 最適化に基づく負荷層問題に対するミリ秒単位の計算を可能にする効率的な機械学習アルゴリズムを提案する。 3バス玩具の例と現実的なRTS-GMLCシステムの両方に関する数値的研究により,提案アルゴリズムの有効性と有効性を示した。
• 参考スコア（独自算出の注目度）: 1.3345486884341395
• License:
• Abstract: Timely and effective load shedding in power systems is critical for maintaining supply-demand balance and preventing cascading blackouts. To eliminate load shedding bias against specific regions in the system, optimization-based methods are uniquely positioned to help balance between economical and equity considerations. However, the resulting optimization problem involves complex constraints, which can be time-consuming to solve and thus cannot meet the real-time requirements of load shedding. To tackle this challenge, in this paper we present an efficient machine learning algorithm to enable millisecond-level computation for the optimization-based load shedding problem. Numerical studies on both a 3-bus toy example and a realistic RTS-GMLC system have demonstrated the validity and efficiency of the proposed algorithm for delivering equitable and real-time load shedding decisions.
• Abstract（参考訳）: 電力系統におけるタイムリーかつ効果的な負荷削減は、需給バランスの維持とカスケードブラックアウトの防止に重要である。 システムの特定の領域に対する負荷シェディングバイアスを排除するため、最適化に基づく手法は経済と株式のバランスをとるのに一意に位置づけられている。 しかし、結果として生じる最適化問題には複雑な制約が伴うため、解決には時間を要するため、負荷シェディングのリアルタイム要求を満たすことはできない。 この課題に対処するために、最適化に基づく負荷層問題に対してミリ秒レベルの計算を可能にする効率的な機械学習アルゴリズムを提案する。 3バス玩具の例と現実的RTS-GMLCシステムの両方に関する数値的研究により, 提案アルゴリズムの有効性と実時間載荷決定の妥当性を実証した。

関連論文リスト

• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
  sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。 我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-04T18:23:55Z)
• Learning Non-myopic Power Allocation in Constrained Scenarios [42.63629364161481]
  エピソード制約下でのアドホック干渉ネットワークにおける効率的な電力配分のための学習ベースフレームワークを提案する。 我々はアクター・クリティカルなアルゴリズムを用いて各ステップにおける制約・アウェア・パワー・アロケーションを得る。
  論文  参考訳（メタデータ） (2024-01-18T04:44:34Z)
• Self-Supervised Learning for Large-Scale Preventive Security Constrained DC Optimal Power Flow [20.078717680640214]
  SCOPF(Security-Constrained Optimal Power Flow)は、電力グリッドの安定性において重要な役割を果たすが、システムが成長するにつれてますます複雑になる。 本稿では,大規模SCOPF問題に対する準最適解を生成するための,自己教師付きエンドツーエンドのPDL-SCOPFについて紹介する。
  論文  参考訳（メタデータ） (2023-11-29T20:36:35Z)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)
• Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
  本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。 我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。 提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-14T21:54:31Z)
• Learning Optimization Proxies for Large-Scale Security-Constrained Economic Dispatch [11.475805963049808]
  SCED(Security-Constrained Economic Dispatch)は、送信システムオペレーター(TSO)の基本最適化モデルである 本稿では,SCEDの最適解をミリ秒で予測できる機械学習(ML)モデルとして,SCEDの最適化プロキシを学習することを提案する。 数値実験は、フランスの送信システム上で報告され、リアルタイム操作と互換性のある時間枠内で、その手法が生成できることを実証する。
  論文  参考訳（メタデータ） (2021-12-27T00:44:06Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• Computation Resource Allocation Solution in Recommender Systems [19.456109814747048]
  限られた計算資源と応答時間でビジネス目標を最大化する計算資源割当ソリューション(CRAS)を提案します。 本手法の有効性はtaobao.comの実データに基づく広範囲な実験により検証された。
  論文  参考訳（メタデータ） (2021-03-03T08:41:43Z)
• 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)

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。