論文の概要: Revisiting Deep AC-OPF

• arxiv url: http://arxiv.org/abs/2509.00655v1
• Date: Sun, 31 Aug 2025 01:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.327086
• Title: Revisiting Deep AC-OPF
• Title（参考訳）: 深部交流-OPFの再検討
• Authors: Oluwatomisin I. Dada, Neil D. Lawrence,
• Abstract要約: 本稿では,バス電圧予測のための変換器モデルOPFormer-Vを紹介し,最新のDeepOPF-Vモデルと単純な線形手法を比較した。 以上の結果から,OPFormer-VはDeepOPF-Vよりも改善するが,MLアプローチの相対的な利得は期待よりも低かった。
• 参考スコア（独自算出の注目度）: 3.259634592022173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work has proposed machine learning (ML) approaches as fast surrogates for solving AC optimal power flow (AC-OPF), with claims of significant speed-ups and high accuracy. In this paper, we revisit these claims through a systematic evaluation of ML models against a set of simple yet carefully designed linear baselines. We introduce OPFormer-V, a transformer-based model for predicting bus voltages, and compare it to both the state-of-the-art DeepOPF-V model and simple linear methods. Our findings reveal that, while OPFormer-V improves over DeepOPF-V, the relative gains of the ML approaches considered are less pronounced than expected. Simple linear baselines can achieve comparable performance. These results highlight the importance of including strong linear baselines in future evaluations.
• Abstract（参考訳）: 最近の研究で、AC-OPF(AC-OPF)を解くための高速サロゲートとして機械学習(ML)アプローチが提案されている。 本稿では,これらの主張を,単純かつ慎重に設計された線形ベースラインの集合に対して,MLモデルの体系的評価を通じて再検討する。 本稿では,バス電圧予測のための変換器モデルOPFormer-Vを紹介し,最新のDeepOPF-Vモデルと単純な線形手法を比較した。 以上の結果から,OPFormer-VはDeepOPF-Vよりも改善するが,MLアプローチの相対的な利得は期待よりも低かった。 単純な線形ベースラインは、同等のパフォーマンスを達成することができる。 これらの結果は、将来の評価に強い線形ベースラインを含めることの重要性を強調している。

関連論文リスト

• Parameter and Computation Efficient Transfer Learning for Vision-Language Pre-trained Models [79.34513906324727]
  本稿では,視覚言語事前学習モデルのためのパラメータと効率的な伝達学習(PCETL)を提案する。 そこで本研究では,新しい動的アーキテクチャスキップ(DAS)アプローチを効果的PCETLに適用する。
  論文  参考訳（メタデータ） (2023-09-04T09:34:33Z)
• Approximated Prompt Tuning for Vision-Language Pre-trained Models [54.326232586461614]
  視覚言語による事前学習モデルでは、事前学習タスクと下流タスクのギャップを埋めるために、しばしば多くの学習可能なトークンを必要とする。 本稿では,効率的なVL転送学習を実現するために,APT(Approximated Prompt Tuning)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-27T05:43:47Z)
• Regularization and Variance-Weighted Regression Achieves Minimax Optimality in Linear MDPs: Theory and Practice [79.48432795639403]
  ミラー降下値反復(MDVI)は、KL(Kulback-Leibler)とRL(Entropy-regularized reinforcement learning)の抽象化である。 MDVIを線形関数近似を用いて研究し,$varepsilon$-optimal policyを同定するために必要なサンプル複雑性について検討した。 我々は,無限水平線形MDPに対して,最小限のサンプル複雑性を実現する最初の理論的アルゴリズムである分散重み付き最小二乗法MDVIを提案する。
  論文  参考訳（メタデータ） (2023-05-22T16:13:05Z)
• Towards Understanding the Unreasonable Effectiveness of Learning AC-OPF Solutions [31.388212637482365]
  最適潮流(OPF)は電力系統の基本的な問題である。 近年の研究では、非常に少ないランタイムでOPF近似を見つけるためにDeep Neural Networks (DNN) が提案されている。 本稿は、この知識ギャップに対処するための一歩となる。
  論文  参考訳（メタデータ） (2021-11-22T13:04:31Z)
• Spatial Network Decomposition for Fast and Scalable AC-OPF Learning [14.057864778644776]
  提案手法は, 電力網の空間分解を利用した2段階の手法で, 一連の領域として捉える。 短いトレーニング時間の中で、このアプローチはAC-OPFソリューションを非常に高い忠実度と小さな制約違反で予測します。 その結果,ac-opf目標の0.03%以内で実現可能な解を返すために,負荷フロー最適化をシードできることがわかった。
  論文  参考訳（メタデータ） (2021-01-17T20:09:11Z)
• Load Embeddings for Scalable AC-OPF Learning [46.79747973916068]
  AC Optimal Power Flow (AC-OPF) は、電力系統最適化におけるビルディングブロックである。 近年の研究では,AC-OPFの高精度な近似にディープラーニングが有効であることが示されている。 本稿では,これらのスケーラビリティの限界に対処し,3ステップアプローチによるロード埋め込み方式を提案する。
  論文  参考訳（メタデータ） (2021-01-11T15:28:38Z)
• Quasi-symplectic Langevin Variational Autoencoder [7.443843354775884]
  変分オートエンコーダ(VAE)は、ニューラルネットワーク研究において非常に人気があり、よく研究されている生成モデルである。 低分散証拠低境界(ELBO)構築の難しさに対処することが求められている。
  論文  参考訳（メタデータ） (2020-09-02T12:13:27Z)
• 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。