論文の概要: Neural Network Optimal Power Flow via Energy Gradient Flow and Unified Dynamics

• arxiv url: http://arxiv.org/abs/2512.01219v1
• Date: Mon, 01 Dec 2025 02:59:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.655403
• Title: Neural Network Optimal Power Flow via Energy Gradient Flow and Unified Dynamics
• Title（参考訳）: エネルギー勾配流によるニューラルネットワーク最適潮流と統一力学
• Authors: Xuezhi Liu,
• Abstract要約: 本稿では,ニューラルネットワークのダイナミクスとエネルギー勾配流計算に基づく最適潮流解法を提案する。 制約多様体からの偏差の度合いを測るエネルギー関数を構築し、電力流の制約を同時に満たし、勾配流によるコストを最小化する最適解をネットワークに学習させる。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal Power Flow (OPF) is a core optimization problem in power system operation and planning, aiming to minimize generation costs while satisfying physical constraints such as power flow equations, generator limits, and voltage limits. Traditional OPF solving methods typically employ iterative optimization algorithms (such as interior point methods, sequential quadratic programming, etc.), with limitations including low computational efficiency, initial value sensitivity, and low batch computation efficiency. Most existing deep learning-based OPF methods rely on supervised learning, requiring pre-solving large numbers of cases, and have difficulty guaranteeing physical consistency. This paper proposes an Optimal Power Flow solving method based on neural network dynamics and energy gradient flow, transforming OPF problems into energy minimization problems. By constructing an energy function to measure the degree of deviation from the constraint manifold, and guiding networks to learn optimal solutions that simultaneously satisfy power flow constraints and minimize costs through gradient flow. Neural networks are trained unsupervised by directly minimizing physical residuals, requiring no labeled data, achieving true "end-to-end" physics-constrained learning.
• Abstract（参考訳）: 最適電力フロー(OPF)は、電力系統の運転と計画における中核的な最適化問題であり、発電コストを最小化し、電力流方程式、発電機限界、電圧限界などの物理的制約を満たすことを目的としている。 従来のOPF解法は、一般に反復最適化アルゴリズム(インテリアポイント法、シーケンシャル二次計画法など)を用いており、計算効率が低く、初期値感度が低く、バッチ計算効率が低い。 既存のディープラーニングベースのOPF手法の多くは教師あり学習に依存しており、大量のケースを事前に解決する必要がある。 本稿では,ニューラルネットワークのダイナミクスとエネルギー勾配流に基づく最適潮流解法を提案し,OPF問題をエネルギー最小化問題に変換する。 制約多様体からの偏差の度合いを測るエネルギー関数を構築し、電力流の制約を同時に満たし、勾配流によるコストを最小化する最適解をネットワークに学習させる。 ニューラルネットワークは、物理的残留を直接最小化し、ラベル付きデータを必要とせず、真の「エンドツーエンド」な物理制約付き学習を達成することによって、教師なしの訓練を受ける。

関連論文リスト

• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• 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)
• Physics-Informed Neural Networks for AC Optimal Power Flow [0.0]
  本稿では,AC-OPFの結果を正確に推定する物理インフォームドニューラルネットワークを初めて紹介する。 物理インフォームドニューラルネットワークは,従来のニューラルネットワークよりも精度が高く,制約違反も少ないことを示す。
  論文  参考訳（メタデータ） (2021-10-06T11:44:59Z)
• 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)
• Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings [17.338923885534193]
  交流の最適電力の流れ(AC-OPF)は電力系統操作の基本的な問題の1つです。 本稿では,電力フローソルバの動作を微分することにより,この問題を回避する効率的な戦略を示す。 従来の解法に比べて12倍の速度向上と40%の堅牢性向上を報告した。
  論文  参考訳（メタデータ） (2020-12-16T18:23:51Z)
• 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)
• 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。