論文の概要: Dual Conic Proxy for Semidefinite Relaxation of AC Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2502.06978v1
• Date: Mon, 10 Feb 2025 19:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:06:07.726044
• Title: Dual Conic Proxy for Semidefinite Relaxation of AC Optimal Power Flow
• Title（参考訳）: 交流最適潮流の半定緩和のためのデュアルコニックプロキシ
• Authors: Guancheng Qiu, Mathieu Tanneau, Pascal Van Hentenryck,
• Abstract要約: 本稿では,半定値緩和ACOPF問題に対する二重円錐プロキシアーキテクチャを提案する。 提案手法は, 双対SDP問題の構造を生かした, 微分可能な双対ニューラルネットワーク戦略を組み合わせたものである。 その結果、提案したSDPベースのプロキシは、より弱い円錐緩和より優れることが示された。
• 参考スコア（独自算出の注目度）: 16.02181642119643
• License:
• Abstract: The nonlinear, non-convex AC Optimal Power Flow (AC-OPF) problem is fundamental for power systems operations. The intrinsic complexity of AC-OPF has fueled a growing interest in the development of optimization proxies for the problem, i.e., machine learning models that predict high-quality, close-to-optimal solutions. More recently, dual conic proxy architectures have been proposed, which combine machine learning and convex relaxations of AC-OPF, to provide valid certificates of optimality using learning-based methods. Building on this methodology, this paper proposes, for the first time, a dual conic proxy architecture for the semidefinite (SDP) relaxation of AC-OPF problems. Although the SDP relaxation is stronger than the second-order cone relaxation considered in previous work, its practical use has been hindered by its computational cost. The proposed method combines a neural network with a differentiable dual completion strategy that leverages the structure of the dual SDP problem. This approach guarantees dual feasibility, and therefore valid dual bounds, while providing orders of magnitude of speedups compared to interior-point algorithms. The paper also leverages self-supervised learning, which alleviates the need for time-consuming data generation and allows to train the proposed models efficiently. Numerical experiments are presented on several power grid benchmarks with up to 500 buses. The results demonstrate that the proposed SDP-based proxies can outperform weaker conic relaxations, while providing several orders of magnitude speedups compared to a state-of-the-art interior-point SDP solver.
• Abstract（参考訳）: 非線形で非凸なAC Optimal Power Flow (AC-OPF) 問題は、電力系統の運用において基本的な問題である。 AC-OPFの本質的な複雑さは、この問題に対する最適化プロキシの開発、すなわち高品質で近似的なソリューションを予測する機械学習モデルへの関心を高めている。 最近では、機械学習とAC-OPFの凸緩和を組み合わせた二重円錐プロキシアーキテクチャが提案され、学習ベースの手法による最適性の有効な証明が提供されている。 本稿では,この手法に基づいて,AC-OPF問題の半定値緩和(SDP)のための二重錐体プロキシアーキテクチャを初めて提案する。 SDP緩和は、以前の研究で考慮された2次円錐緩和よりも強いが、その計算コストによってその実用性は妨げられている。 提案手法は,2つのSDP問題の構造を生かした,ニューラルネットワークと微分可能な二重補完戦略を組み合わせたものである。 このアプローチは、2つの実現可能性を保証するため、2つの境界が有効であり、インテリアポイントアルゴリズムと比較して桁違いのスピードアップを提供する。 また、自己教師付き学習を活用し、時間を要するデータ生成の必要性を軽減し、提案したモデルを効率的に訓練することができる。 最大500台のバスを持つ複数の電力グリッドベンチマークで数値実験を行う。 その結果、提案したSDPベースのプロキシは、最先端のSDPソルバと比較して数桁の速度アップを提供しながら、より弱い円錐緩和を達成できることを示した。

関連論文リスト

• Joint Transmit and Pinching Beamforming for PASS: Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Dual Interior Point Optimization Learning [16.02181642119643]
  本稿では,予備的アプローチを補完し,品質保証を提供する2つの実現可能な解の学習方法について検討する。 提案した双対完備化手法は、双対問題の構造を活用できない最適化プロキシの学習方法よりも優れている。
  論文  参考訳（メタデータ） (2024-02-04T20:06:20Z)
• Dual Conic Proxies for AC Optimal Power Flow [16.02181642119643]
  既存の学習ベースのアプローチでは、AC-OPFに有効な二重境界は提供できない。 本稿では,AC-OPFの凸緩和のための最適化プロキシをトレーニングすることで,このギャップを解消する。 本稿は、この新しいアーキテクチャと自己教師付き学習スキームを組み合わせることで、データ生成の費用のかかるトレーニングの必要性を軽減する。
  論文  参考訳（メタデータ） (2023-10-04T17:06:30Z)
• 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)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• 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)
• 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)
• Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of Partitioned Edge Learning [73.82875010696849]
  機械学習アルゴリズムは、人工知能(AI)モデルをトレーニングするために、ネットワークエッジにデプロイされる。 本稿では,パラメータ(計算負荷)割り当てと帯域幅割り当ての新しい共同設計に焦点を当てる。
  論文  参考訳（メタデータ） (2020-03-10T05:52:15Z)

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。