論文の概要: Differentiable Optimization for Deep Learning-Enhanced DC Approximation of AC Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2504.01970v1
• Date: Sat, 22 Mar 2025 20:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 05:20:05.766349
• Title: Differentiable Optimization for Deep Learning-Enhanced DC Approximation of AC Optimal Power Flow
• Title（参考訳）: 交流最適潮流の深部学習による直流近似の微分最適化
• Authors: Andrew Rosemberg, Michael Klamkin,
• Abstract要約: 本稿では,AC-OPFの動作をより正確に模倣するために,DC-OPFを強化したネットワーク等価性のための新しいディープラーニングベースのフレームワークを提案する。 このアプローチは、調整された結節シャントコンダクタンスと分岐感受性を予測するためにトレーニングされたニューラルネットワークを組み込んだ、微分可能な最適化の最近の進歩を活用している。 結果は、予測精度を大幅に向上し、より信頼性が高く効率的な電力システムを実現するためのフレームワークの能力を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing scale of power systems and the increasing uncertainty introduced by renewable energy sources necessitates novel optimization techniques that are significantly faster and more accurate than existing methods. The AC Optimal Power Flow (AC-OPF) problem, a core component of power grid optimization, is often approximated using linearized DC Optimal Power Flow (DC-OPF) models for computational tractability, albeit at the cost of suboptimal and inefficient decisions. To address these limitations, we propose a novel deep learning-based framework for network equivalency that enhances DC-OPF to more closely mimic the behavior of AC-OPF. The approach utilizes recent advances in differentiable optimization, incorporating a neural network trained to predict adjusted nodal shunt conductances and branch susceptances in order to account for nonlinear power flow behavior. The model can be trained end-to-end using modern deep learning frameworks by leveraging the implicit function theorem. Results demonstrate the framework's ability to significantly improve prediction accuracy, paving the way for more reliable and efficient power systems.
• Abstract（参考訳）: 電力系統の大規模化と再生可能エネルギー源による不確実性の増加は、既存の方法よりもはるかに高速で精度の高い新しい最適化技術を必要とする。 AC Optimal Power Flow (AC-OPF) 問題は電力グリッド最適化のコアコンポーネントであり、線形化されたDC Optimal Power Flow (DC-OPF) モデルを用いて計算トラクタビリティを推定する。 このような制約に対処するため,我々は,AC-OPFの動作をより正確に模倣するために,DC-OPFを強化した,ネットワーク等価性のための新しいディープラーニングベースのフレームワークを提案する。 このアプローチは、非線形電力フローの挙動を考慮に入れ、調整された結節コンダクタンスと分岐感受性を予測するために訓練されたニューラルネットワークを組み込んだ、微分可能最適化の最近の進歩を利用する。 このモデルは、暗黙の関数定理を利用して、現代のディープラーニングフレームワークを使ってエンドツーエンドで訓練することができる。 結果は、予測精度を大幅に向上し、より信頼性が高く効率的な電力システムを実現するためのフレームワークの能力を示す。

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)
• 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)
• Multiplicative update rules for accelerating deep learning training and increasing robustness [69.90473612073767]
  我々は、幅広い機械学習アルゴリズムに適合し、代替の更新ルールを適用することができる最適化フレームワークを提案する。 提案するフレームワークはトレーニングを加速する一方、従来の追加更新ルールとは対照的に、より堅牢なモデルにつながります。
  論文  参考訳（メタデータ） (2023-07-14T06:44:43Z)
• 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)
• 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)
• Model-Informed Generative Adversarial Network (MI-GAN) for Learning Optimal Power Flow [5.407198609685119]
  最適電力フロー(OPF)問題は、電力系統の運用において重要な要素であり、電力系統にたらされる再生可能エネルギーの変動、断続性、予測不能により、解決がますます困難になる。 ニューラルネットワークのようなディープラーニング技術は、最近、データの利用によってOPF問題を解決する際の計算効率を改善するために開発されている。 本稿では,不確実性下でOPFを解決するための最適化モデルインフォームド・ジェネレーティブ・逆数ネットワーク(MI-GAN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-04T00:37:37Z)
• 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)
• 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)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。