論文の概要: DiffOPF: Diffusion Solver for Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2510.14075v1
• Date: Wed, 15 Oct 2025 20:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.609377
• Title: DiffOPF: Diffusion Solver for Optimal Power Flow
• Title（参考訳）: DiffOPF: 最適潮流用拡散解法
• Authors: Milad Hoseinpour, Vladimir Dvorkin,
• Abstract要約: 最適電力フロー (OPF) は、負荷からセットポイントのディスパッチへの多値マッピングである。 拡散型OPFソルバであるtextitDiffOPF を導入し,OPF を条件付き問題サンプリングとして扱う。 単値の解法とは異なり、DiffOPFは統計的に信頼性の高い温暖化開始と良好な満足度トレードオフを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The optimal power flow (OPF) is a multi-valued, non-convex mapping from loads to dispatch setpoints. The variability of system parameters (e.g., admittances, topology) further contributes to the multiplicity of dispatch setpoints for a given load. Existing deep learning OPF solvers are single-valued and thus fail to capture the variability of system parameters unless fully represented in the feature space, which is prohibitive. To solve this problem, we introduce a diffusion-based OPF solver, termed \textit{DiffOPF}, that treats OPF as a conditional sampling problem. The solver learns the joint distribution of loads and dispatch setpoints from operational history, and returns the marginal dispatch distributions conditioned on loads. Unlike single-valued solvers, DiffOPF enables sampling statistically credible warm starts with favorable cost and constraint satisfaction trade-offs. We explore the sample complexity of DiffOPF to ensure the OPF solution within a prescribed distance from the optimization-based solution, and verify this experimentally on power system benchmarks.
• Abstract（参考訳）: 最適電力フロー(OPF)は、負荷からディスパッチセットポイントへの多重値非凸マッピングである。 システムパラメータ(例えば、アプタンス、トポロジー)の変動は、与えられた負荷に対するディスパッチセットポイントの多重性にさらに寄与する。 既存のディープラーニングOPFソルバは単値であり、機能空間で完全に表現されない限り、システムパラメータの変動を捉えることができない。 そこで本研究では,OPF を条件付きサンプリング問題として扱う拡散型OPFソルバである \textit{DiffOPF} を導入する。 解決者は、運用履歴から負荷の連立分布とセットポイントのディスパッチを学習し、負荷に条件付けられた限界ディスパッチ分布を返却する。 単値の解法とは異なり、DiffOPFは統計的に信頼できる温暖化開始点を、好ましいコストと制約満足度トレードオフでサンプリングすることができる。 DiffOPFのサンプル複雑性について検討し、最適化ベースのソリューションから所定の距離でOPFソリューションを確実に確保し、電力系統ベンチマークで実験的に検証する。

関連論文リスト

• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• A Data-Driven Real-Time Optimal Power Flow Algorithm Using Local Feedback [6.455816281436382]
  本稿では,データ駆動型リアルタイムアルゴリズムを提案する。 具体的には,局所的なフィードバックをアルゴリズムの入力とする学習可能な関数を設計する。 我々は、ディープニューラルネットワーク(DNN)に基づくOPF問題の変種を解決するために、原始二重更新を開発する。
  論文  参考訳（メタデータ） (2025-02-21T09:02:22Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Bucketized Active Sampling for Learning ACOPF [15.509961352249434]
  本稿では,市場浄化アプリケーションの要件を満たすため,Bucketized Active Smpling (BAS)を提案する。 BASは入力ドメインをバケットに分割し、次にサンプルする場所を決定するために取得関数を使用する。 BASはまた、時間とともに増加し減少する適応的な学習率にも依存している。
  論文  参考訳（メタデータ） (2022-08-16T02:04:17Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Distributionally Robust Optimal Power Flow with Contextual Information [0.0]
  我々は、最適潮流問題(OPF)の分布的に頑健な確率制約付き定式化を開発する。 我々は、確率トリミングとディスパッチソリューションが保護される最適輸送に基づくあいまいさセットを利用する。 本稿では,風力出力の点予測とそれに伴う予測誤差とのよく知られた統計的依存を考慮した電力系統の利点について述べる。
  論文  参考訳（メタデータ） (2021-09-16T11:54:12Z)
• 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)

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。