論文の概要: Residual Correction Models for AC Optimal Power Flow Using DC Optimal Power Flow Solutions

• arxiv url: http://arxiv.org/abs/2510.16064v1
• Date: Fri, 17 Oct 2025 02:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.820603
• Title: Residual Correction Models for AC Optimal Power Flow Using DC Optimal Power Flow Solutions
• Title（参考訳）: 直流最適潮流解を用いた交流最適潮流の残留補正モデル
• Authors: Muhy Eddin Za'ter, Bri-Mathias Hodge, Kyri Baker,
• Abstract要約: 本稿では,高速直流最適電力流(DC OPF)ソリューションをベースラインとして,完全なAC-OPFソリューションを提供するために必要な非線形補正のみを学習する残差学習パラダイムを提案する。 57-,118-,2000-busシステムにおけるOPFDataの評価では、MSEが25%低下し、実現可能性エラーが最大3倍減少し、実行速度が最大13倍に向上した。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving the nonlinear AC optimal power flow (AC OPF) problem remains a major computational bottleneck for real-time grid operations. In this paper, we propose a residual learning paradigm that uses fast DC optimal power flow (DC OPF) solutions as a baseline, and learns only the nonlinear corrections required to provide the full AC-OPF solution. The method utilizes a topology-aware Graph Neural Network with local attention and two-level DC feature integration, trained using a physics-informed loss that enforces AC power-flow feasibility and operational limits. Evaluations on OPFData for 57-, 118-, and 2000-bus systems show around 25% lower MSE, up to 3X reduction in feasibility error, and up to 13X runtime speedup compared to conventional AC OPF solvers. The model maintains accuracy under N-1 contingencies and scales efficiently to large networks. These results demonstrate that residual learning is a practical and scalable bridge between linear approximations and AC-feasible OPF, enabling near real-time operational decision making.
• Abstract（参考訳）: 非線形AC最適電力フロー(AC OPF)問題を解くことは、リアルタイムグリッド演算における大きな計算ボトルネックである。 本稿では,高速直流最適電力流(DC OPF)ソリューションをベースラインとし,完全なAC-OPFソリューションを提供するために必要な非線形補正のみを学習する残差学習パラダイムを提案する。 この方法は、局所的な注意と2レベルDC機能の統合を備えたトポロジ対応グラフニューラルネットワークを利用して、交流電力フローの実現可能性と運転限界を強制する物理インフォームドロスを用いて訓練する。 57-,118-,2000-busシステムにおけるOPFDataの評価は,従来のAC OPFよりも25%低いMSE,最大3倍のフェーザビリティエラー,最大13倍のランタイム高速化を示す。 このモデルは、N-1の一致下で精度を維持し、大規模ネットワークに効率よくスケールする。 これらの結果から,残差学習は線形近似とAC実現可能なOPFの間の実用的かつスケーラブルな橋渡しであり,ほぼリアルタイムな運用上の意思決定を可能にすることが示唆された。

関連論文リスト

• Differentiable Optimization for Deep Learning-Enhanced DC Approximation of AC Optimal Power Flow [0.0]
  本稿では,AC-OPFの動作をより正確に模倣するために,DC-OPFを強化したネットワーク等価性のための新しいディープラーニングベースのフレームワークを提案する。 このアプローチは、調整された結節シャントコンダクタンスと分岐感受性を予測するためにトレーニングされたニューラルネットワークを組み込んだ、微分可能な最適化の最近の進歩を活用している。 結果は、予測精度を大幅に向上し、より信頼性が高く効率的な電力システムを実現するためのフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2025-03-22T20:53:53Z)
• Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow [0.0]
  AC最適電力流(AC-OPF)問題は、電力系統の運用には不可欠である。 本稿では,単純化と解釈性を融合したニューラルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-30T14:38:43Z)
• GP CC-OPF: Gaussian Process based optimization tool for Chance-Constrained Optimal Power Flow [54.94701604030199]
  Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。 CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
  論文  参考訳（メタデータ） (2023-02-16T17:59:06Z)
• Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian Duality [3.412750324146571]
  AC最適電力フローは電力系統解析における基本的な最適化問題である。 ディープラーニングベースのアプローチは、時間を要するトレーニングプロセスをオフラインで実行するために、集中的に注目を集めています。 本稿では,AC-OPFのためのエンドツーエンドな教師なし学習基盤を提案する。
  論文  参考訳（メタデータ） (2022-12-07T22:26:45Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• 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)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• 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)
• 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。