論文の概要: Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF

• arxiv url: http://arxiv.org/abs/2506.00478v1
• Date: Sat, 31 May 2025 09:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.194222
• Title: Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF
• Title（参考訳）: AC-OPFのための動的ドメイン適応型物理インフォームドグラフ表現学習
• Authors: Hongjie Zhu, Zezheng Zhang, Zeyu Zhang, Yu Bai, Shimin Wen, Huazhang Wang, Daji Ergu, Ying Cai, Yang Zhao,
• Abstract要約: 交流最適潮流(AC-OPF)は、電力系統における電圧の大きさと位相角の非形式的関係を利用して発電機出力を最適化することを目的としている。 現在のAC-OPFソルバは、制約空間における変数分布と対応する最適解の間の複雑な関係を効果的に表すのに苦労している。 本稿では,制約に関連した問題に対処し,グラフベースの学習フレームワークを構築するための新しい手法であるDDA-PIGCNを提案する。
• 参考スコア（独自算出の注目度）: 15.100794164684956
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Alternating Current Optimal Power Flow (AC-OPF) aims to optimize generator power outputs by utilizing the non-linear relationships between voltage magnitudes and phase angles in a power system. However, current AC-OPF solvers struggle to effectively represent the complex relationship between variable distributions in the constraint space and their corresponding optimal solutions. This limitation in constraint modeling restricts the system's ability to develop diverse knowledge representations. Additionally, modeling the power grid solely based on spatial topology further limits the integration of additional prior knowledge, such as temporal information. To overcome these challenges, we propose DDA-PIGCN (Dynamic Domain Adaptation-Driven Physics-Informed Graph Convolutional Network), a new method designed to address constraint-related issues and build a graph-based learning framework that incorporates spatiotemporal features. DDA-PIGCN improves consistency optimization for features with varying long-range dependencies by applying multi-layer, hard physics-informed constraints. It also uses a dynamic domain adaptation learning mechanism that iteratively updates and refines key state variables under predefined constraints, enabling precise constraint verification. Moreover, it captures spatiotemporal dependencies between generators and loads by leveraging the physical structure of the power grid, allowing for deep integration of topological information across time and space. Extensive comparative and ablation studies show that DDA-PIGCN delivers strong performance across several IEEE standard test cases (such as case9, case30, and case300), achieving mean absolute errors (MAE) from 0.0011 to 0.0624 and constraint satisfaction rates between 99.6% and 100%, establishing it as a reliable and efficient AC-OPF solver.
• Abstract（参考訳）: 交流最適潮流(AC-OPF)は、電力系統における電圧の大きさと位相角の非線形関係を利用して発電機出力を最適化することを目的としている。 しかし、現在のAC-OPFソルバは、制約空間における変数分布と対応する最適解の間の複雑な関係を効果的に表すのに苦労している。 この制約モデリングの制限は、システムの多様な知識表現を開発する能力を制限する。 さらに、空間トポロジのみに基づく電力グリッドのモデリングは、時間情報などの付加的な事前知識の統合をさらに制限する。 DDA-PIGCN(Dynamic Domain Adaptation-Driven Physics-Informed Graph Convolutional Network)を提案する。 DDA-PIGCNは、多層ハード物理インフォームド制約を適用することにより、様々な長距離依存性を持つ機能の整合性最適化を改善する。 また、動的ドメイン適応学習機構を使用して、事前定義された制約の下でキー状態変数を反復的に更新し、洗練し、正確な制約検証を可能にする。 さらに、電力グリッドの物理的構造を活用することで、発電機と負荷の間の時空間依存性を捕捉し、時間と空間にわたって位相情報の深い統合を可能にする。 DDA-PIGCNは、いくつかのIEEE標準テストケース(ケース9、ケース30、ケース300)で強い性能を示し、平均絶対誤差(MAE)を0.0011から0.0624に達成し、制約満足度は99.6%から100%で、信頼性が高く効率的なAC-OPFソルバとして確立している。

関連論文リスト

• Learning Fluid-Structure Interaction Dynamics with Physics-Informed Neural Networks and Immersed Boundary Methods [0.5991851254194096]
  物理インフォームドニューラルネットワーク(PINN)と没入境界法(IBM)を組み合わせて流体構造相互作用(FSI)問題を解決するニューラルネットワークアーキテクチャを導入する。 本手法は, 統一パラメータ空間を持つ単一FSIネットワークと, 流体領域と構造領域を分離したパラメータ空間を保持するイノベーティブなユーレリア・ラグランジアンネットワークの2つの異なるアーキテクチャを特徴とする。
  論文  参考訳（メタデータ） (2025-05-24T07:07:53Z)
• Accelerating Multiscale Modeling with Hybrid Solvers: Coupling FEM and Neural Operators with Domain Decomposition [3.0635300721402228]
  本研究では、PI-NOと有限要素法(FE)をドメイン分解を通じて統合する新しいハイブリッドフレームワークを提案する。 フレームワークの有効性は、静的、準静的、動的レシエーションにまたがる様々な問題で検証されている。 本研究は,(1)サブドメインインタフェース間の解の連続性を維持すること,(2)微細メッシュ要求を排除して計算コストを削減すること,(3)時間依存シミュレーションにおける誤差の蓄積を緩和すること,(4)物理現象の進化への自動適応を可能にすること,である。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Physics-aware deep learning framework for linear elasticity [0.0]
  本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。 フィールド変数の正確な表現のために,多目的損失関数を提案する。 弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
  論文  参考訳（メタデータ） (2023-02-19T20:33:32Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• 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)

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。