論文の概要: Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow
- arxiv url: http://arxiv.org/abs/2410.04818v1
- Date: Mon, 7 Oct 2024 08:08:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 01:47:52.519435
- Title: Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow
- Title（参考訳）: 非線形制約最適化のための物理インフォーマルGNN:PINCOによる交流最適電力流の解法
- Authors: Anna Varbella, Damien Briens, Blazhe Gjorgiev, Giuseppe Alessio D'Inverno, Giovanni Sansavini,
- Abstract要約: この研究は、AC-OPFを解くために物理インフォームドグラフニューラルネットワーク、PINCOを探索する。
PINCOは、電力系統における様々な負荷条件を効果的に一般化する。
解法としてもハイブリッド普遍関数近似器としても機能する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The energy transition is driving the integration of large shares of intermittent power sources in the electric power grid. Therefore, addressing the AC optimal power flow (AC-OPF) effectively becomes increasingly essential. The AC-OPF, which is a fundamental optimization problem in power systems, must be solved more frequently to ensure the safe and cost-effective operation of power systems. Due to its non-linear nature, AC-OPF is often solved in its linearized form, despite inherent inaccuracies. Non-linear solvers, such as the interior point method, are typically employed to solve the full OPF problem. However, these iterative methods may not converge for large systems and do not guarantee global optimality. This work explores a physics-informed graph neural network, PINCO, to solve the AC-OPF. We demonstrate that this method provides accurate solutions in a fraction of the computational time when compared to the established non-linear programming solvers. Remarkably, PINCO generalizes effectively across a diverse set of loading conditions in the power system. We show that our method can solve the AC-OPF without violating inequality constraints. Furthermore, it can function both as a solver and as a hybrid universal function approximator. Moreover, the approach can be easily adapted to different power systems with minimal adjustments to the hyperparameters, including systems with multiple generators at each bus. Overall, this work demonstrates an advancement in the field of power system optimization to tackle the challenges of the energy transition. The code and data utilized in this paper are available at https://anonymous.4open.science/r/opf_pinn_iclr-B83E/.
- Abstract（参考訳）: エネルギー遷移は、電力グリッドにおける断続的な電力源の大規模な共有を駆動している。
そのため、AC最適電力フロー(AC-OPF)に対処することがますます重要になっている。
電力系統の基本最適化問題であるAC-OPFは、電力系統の安全で費用対効果の高い運転を保証するために、より頻繁に解決されなければならない。
非線形の性質のため、AC-OPFは本質的に不正確なにもかかわらず、しばしば線形化された形で解決される。
内部点法のような非線形解法は通常、完全なOPF問題を解決するために用いられる。
しかし、これらの反復的手法は大規模システムに収束せず、大域的最適性は保証されない。
この研究は、AC-OPFを解くために物理インフォームドグラフニューラルネットワーク、PINCOを探索する。
本手法は, 確立された非線形プログラミング解法と比較して, 計算時間のごく一部で正確な解が得られることを示す。
興味深いことに、PINCOは電力系統における様々な負荷条件を効果的に一般化する。
我々は,不等式制約に違反することなくAC-OPFを解くことができることを示す。
さらに、解法としてもハイブリッドユニバーサル関数近似器としても機能する。
さらに、このアプローチは、各バスに複数のジェネレータを備えたシステムを含む、ハイパーパラメータに最小限の調整を施した異なるパワーシステムに容易に適応できる。
全体として、この研究はエネルギー遷移の課題に取り組むための電力系統最適化の分野の進歩を示している。
本論文で使用されるコードとデータはhttps://anonymous.4open.science/r/opf_pinn_iclr-B83E/で公開されている。
関連論文リスト
- Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow [0.0]
AC最適電力流(AC-OPF)問題は、電力系統の運用には不可欠である。
本稿では,単純化と解釈性を融合したニューラルベースアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-30T14:38:43Z) - 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) - Proximal Policy Optimization with Graph Neural Networks for Optimal Power Flow [4.27638925658716]
グラフニューラルネットワーク(GNN)は、データに機械学習(ML)アルゴリズムを自然に使用可能にする。
深層強化学習(DRL)は、複雑な意思決定問題を解決する強力な能力で知られている。
問題を解決する方法を学ぶアーキテクチャを提案し、同時にシナリオを発見できるアーキテクチャを提案します。
論文 参考訳（メタデータ） (2022-12-23T17:00:00Z) - Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian
Duality [3.412750324146571]
AC最適電力フローは電力系統解析における基本的な最適化問題である。
ディープラーニングベースのアプローチは、時間を要するトレーニングプロセスをオフラインで実行するために、集中的に注目を集めています。
本稿では,AC-OPFのためのエンドツーエンドな教師なし学習基盤を提案する。
論文 参考訳（メタデータ） (2022-12-07T22:26:45Z) - 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) - 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。