論文の概要: PGLearn -- An Open-Source Learning Toolkit for Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2505.22825v1
• Date: Wed, 28 May 2025 20:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.514546
• Title: PGLearn -- An Open-Source Learning Toolkit for Optimal Power Flow
• Title（参考訳）: PGLearn - 最適潮流のためのオープンソースの学習ツールキット
• Authors: Michael Klamkin, Mathieu Tanneau, Pascal Van Hentenryck,
• Abstract要約: 本稿では、PGLearnについて紹介する。PGLearnは、機械学習(ML)のための標準化されたデータセットと評価ツールの総合的なスイートで、OPF(Optimal Power Flow)の問題に対処する。 オープンで標準化されたデータセットと評価メトリクスを促進することで、PGLearnは最適な電力フロー問題に対する機械学習アプリケーションの研究とイノベーションを民主化し、加速することを目指している。
• 参考スコア（独自算出の注目度）: 16.02181642119643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning (ML) techniques for Optimal Power Flow (OPF) problems have recently garnered significant attention, reflecting a broader trend of leveraging ML to approximate and/or accelerate the resolution of complex optimization problems. These developments are necessitated by the increased volatility and scale in energy production for modern and future grids. However, progress in ML for OPF is hindered by the lack of standardized datasets and evaluation metrics, from generating and solving OPF instances, to training and benchmarking machine learning models. To address this challenge, this paper introduces PGLearn, a comprehensive suite of standardized datasets and evaluation tools for ML and OPF. PGLearn provides datasets that are representative of real-life operating conditions, by explicitly capturing both global and local variability in the data generation, and by, for the first time, including time series data for several large-scale systems. In addition, it supports multiple OPF formulations, including AC, DC, and second-order cone formulations. Standardized datasets are made publicly available to democratize access to this field, reduce the burden of data generation, and enable the fair comparison of various methodologies. PGLearn also includes a robust toolkit for training, evaluating, and benchmarking machine learning models for OPF, with the goal of standardizing performance evaluation across the field. By promoting open, standardized datasets and evaluation metrics, PGLearn aims at democratizing and accelerating research and innovation in machine learning applications for optimal power flow problems. Datasets are available for download at https://www.huggingface.co/PGLearn.
• Abstract（参考訳）: 機械学習(ML)による最適潮流(OPF)問題の解法が最近注目され、複雑な最適化問題の解法を近似または/または高速化するためにMLを活用するという、より広範な傾向が反映されている。 これらの発展は、現代のグリッドと将来のグリッドのボラティリティとエネルギー生産の規模の増加によって必要となる。 しかし、OPFのMLの進歩は、OPFインスタンスの生成と解決からマシンラーニングモデルのトレーニングとベンチマークに至るまで、標準化されたデータセットと評価メトリクスの欠如によって妨げられている。 この課題に対処するために、MLとOPFのための標準化されたデータセットと評価ツールの包括的スイートであるPGLearnを紹介した。 PGLearnは、データ生成におけるグローバル変数とローカル変数の両方を明示的にキャプチャし、複数の大規模システムの時系列データを含む、実生活の運用状況を表すデータセットを提供する。 さらに、AC、DC、および2階コーンの定式化を含む複数のOPF定式化をサポートしている。 標準化されたデータセットは、このフィールドへのアクセスを民主化し、データ生成の負担を軽減し、様々な方法論の公正な比較を可能にするために公開されています。 PGLearnには、OPFの機械学習モデルをトレーニング、評価、ベンチマークするための堅牢なツールキットも含まれている。 オープンで標準化されたデータセットと評価メトリクスを促進することで、PGLearnは最適な電力フロー問題に対する機械学習アプリケーションの研究とイノベーションを民主化し、加速することを目指している。 データセットはhttps://www.huggingface.co/PGLearn.comからダウンロードできる。

関連論文リスト

• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• Electrical Load Forecasting in Smart Grid: A Personalized Federated Learning Approach [9.687203504689563]
  スマートグリッドの電力管理と安定性には電力負荷予測が不可欠である。 従来の機械学習(ML)手法は負荷予測によく使用されるが、データ共有は必要である。 フェデレートラーニング(FL)は、データ交換なしでローカルSMで分散MLモデルを実行することでこの問題に対処できる。
  論文  参考訳（メタデータ） (2024-11-15T22:44:50Z)
• Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning [5.421492821020181]
  Federated Learning(FL)は、デバイスがローカルデータを共有せずにモデルを協調的にトレーニングできる分散機械学習アプローチである。 FLを実世界のデータに適用することは、特に既存のFL研究が不正なデータに焦点を当てているため、課題を提示している。 我々は,各モードエンコーダのトレーニングリソースを適応的に割り当てることで,MFLにおける計算効率を向上させる新しい手法FlexModを提案する。
  論文  参考訳（メタデータ） (2024-08-13T01:14:27Z)
• Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
  本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。 従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-12-19T12:34:46Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)
• FedGPO: Heterogeneity-Aware Global Parameter Optimization for Efficient Federated Learning [11.093360539563657]
  フェデレートラーニング(FL)は、機械学習トレーニングにおけるプライバシリークのリスクに対処するソリューションとして登場した。 我々は,モデル収束を保証しつつ,FLのエネルギー効率を最適化するFedGPOを提案する。 我々の実験では、FedGPOはモデル収束時間を2.4倍改善し、ベースライン設定の3.6倍のエネルギー効率を達成する。
  論文  参考訳（メタデータ） (2022-11-30T01:22:57Z)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• Data-driven Optimal Power Flow: A Physics-Informed Machine Learning Approach [6.5382276424254995]
  本稿では,SELMフレームワークに基づく最適電力フロー(OPF)のためのデータ駆動型アプローチを提案する。 データ駆動型OPF回帰フレームワークが開発され、OPFモデルの特徴を3段階に分解する。 IEEEおよびポーランドのベンチマークシステムにおいて,提案手法が他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-31T15:41:24Z)

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。