Fugu-MT 論文翻訳(概要): Enhancing Electricity-System Resilience with Adaptive Robust Optimization and Conformal Uncertainty Characterization

論文の概要: Enhancing Electricity-System Resilience with Adaptive Robust Optimization and Conformal Uncertainty Characterization

arxiv url: http://arxiv.org/abs/2505.11627v2
Date: Wed, 01 Oct 2025 20:23:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-03 16:59:19.880349
Title: Enhancing Electricity-System Resilience with Adaptive Robust Optimization and Conformal Uncertainty Characterization
Title（参考訳）: 適応ロバスト最適化とコンフォーマル不確実性評価による電気系のレジリエンス向上
Authors: Shuyi Chen, Shixiang Zhu, Ramteen Sioshansi,
Abstract要約: 極度の天候は電気系統を緊張させており、反応の限界を露呈している。本稿では, 確率的行動, 対角的破壊, 反応を統合した三段階最適化モデルを提案する。
参考スコア（独自算出の注目度）: 9.548196821052715
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Extreme weather is straining electricity systems, exposing the limitations of reactive responses, and prompting the need for proactive resilience planning. Most existing approaches to enhance electricity system resilience employ simplified uncertainty models and decouple proactive and reactive decisions. This paper proposes a novel tri-level optimization model that integrates proactive actions, adversarial disruptions, and reactive responses. Conformal prediction is used to construct distribution-free system-disruption uncertainty sets with coverage guarantees. The tri-level problem is solved by using duality theory to derive a bi-level reformulation and employing Bender's decomposition. Numerical experiments demonstrate that our approach outperforms conventional robust and two-stage methods.
Abstract（参考訳）: 極度の天候は電気システムを緊張させ、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。電気システムのレジリエンスを高めるための既存のアプローチは、単純化された不確実性モデルを採用し、積極的かつ反応性のある決定を分離する。本稿では, 確率的行動, 対角的破壊, 反応を統合した三段階最適化モデルを提案する。コンフォーマル予測は、分布のないシステム破壊不確実性集合をカバレッジ保証で構築するために用いられる。三段階問題は双対性理論を用いて二段階の再構成を導出し、ベンダー分解を用いる。数値実験により,本手法は従来のロバスト法と2段階法より優れていることが示された。

関連論文リスト

RAD: Retrieval High-quality Demonstrations to Enhance Decision-making [23.136426643341462]
オフライン強化学習(RL)により、エージェントは固定データセットからポリシーを学ぶことができる。 RLはデータセットの空間性や、準最適軌道と専門家軌道の重なり合いの欠如によって制限されることが多い。本稿では,非パラメトリック検索と拡散に基づく生成モデルを組み合わせた意思決定のための検索高量子デモ(RAD)を提案する。
論文参考訳（メタデータ） (2025-07-21T08:08:18Z)
Formal Control for Uncertain Systems via Contract-Based Probabilistic Surrogates (Extended Version) [1.474723404975345]
我々は,複雑な非線形エージェント環境相互作用に対処しながら,高次元に効果的にスケールする抽象的手法を提案する。我々のアプローチは、複雑な高次元の車両交差点で示されるように、保守主義のスケーラビリティを好意的に交換する。
論文参考訳（メタデータ） (2025-06-20T13:00:50Z)
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)
The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文参考訳（メタデータ） (2024-01-25T09:18:51Z)
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)
Simplified Swarm Optimization for Bi-Objection Active Reliability Redundancy Allocation Problems [1.5990720051907859]
信頼性冗長性割り当て問題(RRAP)は、システム設計、開発、管理においてよく知られた問題である。本研究では, コスト制約を新たな目標として変更することにより, 両対象RRAPを定式化する。提案課題を解決するために,ペナルティ関数を備えた新しい簡易スワム最適化 (SSO) ,実効1型ソリューション構造,数値ベースの自己適応型新しい更新機構,制約付き非支配型ソリューション選択,および新しいpBest代替ポリシーを開発した。
論文参考訳（メタデータ） (2020-06-17T13:15:44Z)

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。