論文の概要: Homotopy-Guided Self-Supervised Learning of Parametric Solutions for AC Optimal Power Flow

• arxiv url: http://arxiv.org/abs/2511.11677v1
• Date: Tue, 11 Nov 2025 23:23:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.900782
• Title: Homotopy-Guided Self-Supervised Learning of Parametric Solutions for AC Optimal Power Flow
• Title（参考訳）: 交流最適潮流のパラメトリック解のホモトピーガイドによる自己教師付き学習
• Authors: Shimiao Li, Aaron Tuor, Draguna Vrabie, Larry Pileggi, Jan Drgona,
• Abstract要約: 交流最適電力フロー(AC-OPF)ソリューションのパラメトリック近似(L2O)を最適化する学習は、リアルタイム操作における高速で再利用可能なソリューションの可能性を提供する。 本稿では,AC-OPF問題に対するToptopy-Guided L2O法を提案する。 得られた学習プロセスは、ラベル付き最適解や外部解法を必要とせずに実現性を向上させる。
• 参考スコア（独自算出の注目度）: 0.44040106718326605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to optimize (L2O) parametric approximations of AC optimal power flow (AC-OPF) solutions offers the potential for fast, reusable decision-making in real-time power system operations. However, the inherent nonconvexity of AC-OPF results in challenging optimization landscapes, and standard learning approaches often fail to converge to feasible, high-quality solutions. This work introduces a \textit{homotopy-guided self-supervised L2O method} for parametric AC-OPF problems. The key idea is to construct a continuous deformation of the objective and constraints during training, beginning from a relaxed problem with a broad basin of attraction and gradually transforming it toward the original problem. The resulting learning process improves convergence stability and promotes feasibility without requiring labeled optimal solutions or external solvers. We evaluate the proposed method on standard IEEE AC-OPF benchmarks and show that homotopy-guided L2O significantly increases feasibility rates compared to non-homotopy baselines, while achieving objective values comparable to full OPF solvers. These findings demonstrate the promise of homotopy-based heuristics for scalable, constraint-aware L2O in power system optimization.
• Abstract（参考訳）: 交流最適電力フロー(AC-OPF)ソリューションのパラメトリック近似(L2O)を最適化する学習は、リアルタイム電力系統運用における高速で再利用可能な意思決定の可能性を秘めている。 しかし、AC-OPFの本質的にの非凸性は最適化のランドスケープに挑戦する結果となり、標準学習アプローチはしばしば実現可能な高品質なソリューションに収束しない。 パラメトリックAC-OPF問題に対するtextit{homotopy-guided self-supervised L2O method} を導入する。 鍵となる考え方は、訓練中の目標と制約の連続的な変形を構築することである。 得られた学習プロセスは収束安定性を改善し、ラベル付き最適解や外部解法を必要とせずに実現性を向上させる。 提案手法を標準IEEE AC-OPF ベンチマークで評価し,ホモトピー誘導 L2O が非ホモトピーベースラインよりも実現可能性率を有意に向上し,全 OPF ソルバに匹敵する客観的値が得られることを示した。 これらの結果は、電力系統最適化におけるスケーラブルで制約対応のL2Oに対するホモトピーに基づくヒューリスティックスの可能性を示唆している。

関連論文リスト

• Residual Correction Models for AC Optimal Power Flow Using DC Optimal Power Flow Solutions [0.764671395172401]
  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。
  論文  参考訳（メタデータ） (2025-10-17T02:56:29Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• HoP: Homeomorphic Polar Learning for Hard Constrained Optimization [3.8166443770130822]
  制約付き最適化は、非常に効率的な合成訓練アプローチを必要とする。 データ駆動学習法として、L2Oはニューラルネットワークを利用して近似解を効率的に生成する。 HoPは既存のL2O法よりも最適に近い解を得る。 すべての場合、HoPは既存のL2O法よりも最適に近い解を得る。
  論文  参考訳（メタデータ） (2025-02-01T03:59:15Z)
• 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)
• Physics-Informed GNN for non-linear constrained optimization: PINCO a solver for the AC-optimal power flow [0.0]
  この研究は、AC-OPFを解くために物理インフォームドグラフニューラルネットワーク、PINCOを探索する。 PINCOは、電力系統における様々な負荷条件を効果的に一般化する。 解法としてもハイブリッド普遍関数近似器としても機能する。
  論文  参考訳（メタデータ） (2024-10-07T08:08:36Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints [4.1920378271058425]
  本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。 提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
  論文  参考訳（メタデータ） (2024-01-11T20:17:44Z)
• 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)
• 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)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。