論文の概要: Adaptive Robust Optimization with Data-Driven Uncertainty for Enhancing Distribution System Resilience

• arxiv url: http://arxiv.org/abs/2505.11627v1
• Date: Fri, 16 May 2025 18:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.747739
• Title: Adaptive Robust Optimization with Data-Driven Uncertainty for Enhancing Distribution System Resilience
• Title（参考訳）: データ駆動不確実性を用いた分散システムのレジリエンス向上のための適応ロバスト最適化
• Authors: Shuyi Chen, Shixiang Zhu, Ramteen Sioshansi,
• Abstract要約: 極度の気象現象が電力システムに緊張を与え、純粋な反応の限界を露呈している。 本稿では,積極的なインフラ投資と反応応答を統合した三段階最適化フレームワークを提案する。 実データと合成データの両方に対する実験により,従来の2段階法よりも一貫して優れた結果が得られた。
• 参考スコア（独自算出の注目度）: 6.325705102716997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme weather events are placing growing strain on electric power systems, exposing the limitations of purely reactive responses and prompting the need for proactive resilience planning. However, existing approaches often rely on simplified uncertainty models and decouple proactive and reactive decisions, overlooking their critical interdependence. This paper proposes a novel tri-level optimization framework that integrates proactive infrastructure investment, adversarial modeling of spatio-temporal disruptions, and adaptive reactive response. We construct high-probability, distribution-free uncertainty sets using conformal prediction to capture complex and data-scarce outage patterns. To solve the resulting nested decision problem, we derive a bi-level reformulation via strong duality and develop a scalable Benders decomposition algorithm. Experiments on both real and synthetic data demonstrate that our approach consistently outperforms conventional robust and two-stage methods, achieving lower worst-case losses and more efficient resource allocation, especially under tight operational constraints and large-scale uncertainty.
• Abstract（参考訳）: 極度の気象現象は電力システムに緊張を増し、純粋な反応の限界を露呈し、積極的なレジリエンス計画の必要性を喚起している。 しかし、既存のアプローチは、しばしば単純化された不確実性モデルに依存し、プロアクティブでリアクティブな決定を分離し、それらの重要な相互依存を見落としている。 本稿では, 積極的なインフラ投資, 時空間破壊の逆モデリング, 適応応答の3段階最適化フレームワークを提案する。 我々は、共形予測を用いて高確率分布自由不確実性集合を構築し、複雑な障害パターンとデータスカース障害パターンをキャプチャする。 ネストされた決定問題を解くため、強い双対性による二段階の再構成を導出し、スケーラブルなベンダー分解アルゴリズムを開発する。 実データと合成データの両方に対する実験により,本手法は従来型のロバスト法と2段階法を一貫して上回り,特に厳密な運用制約と大規模不確実性の下で,最悪ケース損失の低減と資源配分の効率化を実現していることがわかった。

関連論文リスト

• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• A Deep Generative Learning Approach for Two-stage Adaptive Robust Optimization [3.124884279860061]
  本稿では,2段階適応型ロバスト最適化のための逆生成を行う解アルゴリズムAGROを紹介する。 AGROは、同時に敵対的かつ現実的な高次元の一致を生成する。 我々は、AGROが標準的なカラム・アンド・制約アルゴリズムを最大1.8%のプロダクション・ディストリビューション計画、最大11.6%の電力系統拡張で上回っていることを示す。
  論文  参考訳（メタデータ） (2024-09-05T17:42:19Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Distributionally robust risk evaluation with a causality constraint and structural information [0.0]
  ニューラルネットワークによるテスト関数を近似し、Rademacherの複雑さによるサンプルの複雑さを証明する。 我々のフレームワークは、分散的にロバストなポートフォリオ選択問題において、従来のものよりも優れています。
  論文  参考訳（メタデータ） (2022-03-20T14:48:37Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• 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。