論文の概要: Dispatch-Aware Deep Neural Network for Optimal Transmission Switching: Toward Real-Time and Feasibility Guaranteed Operation

• arxiv url: http://arxiv.org/abs/2507.17194v1
• Date: Wed, 23 Jul 2025 04:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.858698
• Title: Dispatch-Aware Deep Neural Network for Optimal Transmission Switching: Toward Real-Time and Feasibility Guaranteed Operation
• Title（参考訳）: 最適伝送スイッチングのための分散型ディープニューラルネットワーク -実時間と実現可能性保証操作に向けて-
• Authors: Minsoo Kim, Jip Kim,
• Abstract要約: 本稿では,事前に解決されたラベルを使わずにDC-OTSを高速化するディスパッチ対応ディープニューラルネットワーク(DA-DNN)を提案する。 DA-DNNは線状態を予測し、それを微分可能なDC-OPF層に渡す。 DCOPFを解くと同時に、実現可能なトポロジとディスパッチペアを生成する。
• 参考スコア（独自算出の注目度）: 3.3894236476098185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimal transmission switching (OTS) improves optimal power flow (OPF) by selectively opening transmission lines, but its mixed-integer formulation increases computational complexity, especially on large grids. To deal with this, we propose a dispatch-aware deep neural network (DA-DNN) that accelerates DC-OTS without relying on pre-solved labels. DA-DNN predicts line states and passes them through a differentiable DC-OPF layer, using the resulting generation cost as the loss function so that all physical network constraints are enforced throughout training and inference. In addition, we adopt a customized weight-bias initialization that keeps every forward pass feasible from the first iteration, which allows stable learning on large grids. Once trained, the proposed DA-DNN produces a provably feasible topology and dispatch pair in the same time as solving the DCOPF, whereas conventional mixed-integer solvers become intractable. As a result, the proposed method successfully captures the economic advantages of OTS while maintaining scalability.
• Abstract（参考訳）: 最適送電スイッチング(OTS)は、送電線を選択的に開放することで最適電力フロー(OPF)を改善するが、その混合整数の定式化は、特に大きなグリッド上での計算複雑性を増大させる。 これに対応するために,事前に解決されたラベルに頼ることなく,DC-OTSを高速化するディスパッチ対応ディープニューラルネットワーク(DA-DNN)を提案する。 DA-DNNは行状態を予測し、異なるDC-OPF層に渡し、結果として生じる生成コストを損失関数として使用することにより、トレーニングと推論を通じて物理ネットワークの制約を強制する。 さらに、我々は、最初のイテレーションから全ての前方通過を可能とし、大きなグリッド上で安定した学習を可能にする、カスタマイズされたウェイトバイアス初期化を採用しています。 DA-DNNはDCOPFの解法と同時期に実現可能なトポロジとディスパッチペアを生成するが、従来の混合整数解法は難解となる。 その結果,提案手法はスケーラビリティを維持しながら,OTSの経済的優位性を捉えることができた。

関連論文リスト

• Graph Neural Network-Accelerated Network-Reconfigured Optimal Power Flow [0.24554686192257422]
  本稿では、特にグラフニューラルネットワーク(GNN)を利用した機械学習(ML)に基づくアプローチを提案する。 GNNモデルは最適化段階に入る前に最高のトポロジを予測するためにオフラインで訓練される。 高速なオンラインポストML選択層も提案され、GNN予測を分析し、高い信頼性で予測されたNRソリューションのサブセットを選択する。
  論文  参考訳（メタデータ） (2024-10-22T22:35:09Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
  制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。 この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
  論文  参考訳（メタデータ） (2022-12-25T15:40:05Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Non-Gradient Manifold Neural Network [79.44066256794187]
  ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。 非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T06:39:13Z)
• 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)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems [25.791128241015684]
  我々は、従来の解法で使用されるわずかな時間でAC-OPF問題を解決するために、DeepOPFと呼ばれるディープニューラルネットワーク(DNN)アプローチを開発した。 我々はDeepOPFが最先端の解法と比較して最大2桁の計算時間を高速化することを示した。
  論文  参考訳（メタデータ） (2020-07-02T10:26:46Z)

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。