論文の概要: Refining Graphical Neural Network Predictions Using Flow Matching for Optimal Power Flow with Constraint-Satisfaction Guarantee
- arxiv url: http://arxiv.org/abs/2512.11127v1
- Date: Thu, 11 Dec 2025 21:16:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-15 15:48:11.576639
- Title: Refining Graphical Neural Network Predictions Using Flow Matching for Optimal Power Flow with Constraint-Satisfaction Guarantee
- Title（参考訳）: 制約条件付き最適潮流に対するフローマッチングを用いたグラフィカルニューラルネットワーク予測の精細化
- Authors: Kshitiz Khanal,
- Abstract要約: DC-OPF問題は電力系統の運用に基本的であり、リアルタイムグリッド管理に迅速なソリューションを必要とする。
物理インフォームドグラフニューラルネットワーク(GNN)と連続フローマッチング(CFM)を組み合わせた新しい2段階学習フレームワークを提案する。
我々のフレームワークは、高速だが近似的なニューラルネットワーク予測と最適だが遅い数値解法の間のギャップを埋める。
- 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 DC Optimal Power Flow (DC-OPF) problem is fundamental to power system operations, requiring rapid solutions for real-time grid management. While traditional optimization solvers provide optimal solutions, their computational cost becomes prohibitive for large-scale systems requiring frequent recalculations. Machine learning approaches offer promise for acceleration but often struggle with constraint satisfaction and cost optimality. We present a novel two-stage learning framework that combines physics-informed Graph Neural Networks (GNNs) with Continuous Flow Matching (CFM) for solving DC-OPF problems. Our approach embeds fundamental physical principles--including economic dispatch optimality conditions, Kirchhoff's laws, and Karush-Kuhn-Tucker (KKT) complementarity conditions--directly into the training objectives. The first stage trains a GNN to produce feasible initial solutions by learning from physics-informed losses that encode power system constraints. The second stage employs CFM, a simulation-free continuous normalizing flow technique, to refine these solutions toward optimality through learned vector field regression. Evaluated on the IEEE 30-bus system across five load scenarios ranging from 70\% to 130\% nominal load, our method achieves near-optimal solutions with cost gaps below 0.1\% for nominal loads and below 3\% for extreme conditions, while maintaining 100\% feasibility. Our framework bridges the gap between fast but approximate neural network predictions and optimal but slow numerical solvers, offering a practical solution for modern power systems with high renewable penetration requiring frequent dispatch updates.
- Abstract（参考訳）: DC Optimal Power Flow (DC-OPF) 問題は電力系統の運用に基本的であり、リアルタイムグリッド管理に迅速な解を必要とする。
従来の最適化解法は最適解を提供するが、その計算コストは頻繁な再計算を必要とする大規模システムでは禁止される。
機械学習アプローチは加速の約束を提供するが、しばしば制約満足度とコスト最適性に苦しむ。
物理インフォームドグラフニューラルネットワーク(GNN)と連続フローマッチング(CFM)を組み合わせた,DC-OPF問題を解決するための2段階学習フレームワークを提案する。
提案手法は, 経済派遣最適条件, キルヒホフの法則, カルーシュ・クーン・タッカー(KKT)相補性条件などの基本的な物理原理を, 直接的に訓練目標に組み込む。
第1段階では、GNNをトレーニングして、電力システムの制約を符号化する物理情報による損失から学習することで、実現可能な初期解を生成する。
第2段階では、シミュレーションのない連続正規化フロー技術であるCFMを用いて、学習ベクトル場回帰による最適性に対するこれらの解を洗練する。
IEEE 30-bus システムを用いて,70-% から130-% までの負荷シナリオを網羅して評価し,100-% の実現可能性を維持しつつ,名目負荷では0.1-% 以下,極端な条件では3-% 未満のコストギャップでほぼ最適解を実現する。
我々のフレームワークは、高速だが近似的なニューラルネットワーク予測と最適だが遅い数値解法の間のギャップを埋め、頻繁なディスパッチ更新を必要とする高再生能な電力系統に実用的な解決策を提供する。
関連論文リスト
- Neural Network Optimal Power Flow via Energy Gradient Flow and Unified Dynamics [0.5076419064097734]
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。
論文 参考訳（メタデータ） (2025-12-01T02:59:47Z) - 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) - 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) - Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。
問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。
他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2022-10-25T04:46:30Z) - 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) - Physics-Informed Neural Networks for Minimising Worst-Case Violations in
DC Optimal Power Flow [0.0]
物理インフォームドニューラルネットワークは、基礎となる物理システムの既存のモデルを利用して、少ないデータで高精度な結果を生成する。
このようなアプローチは、計算時間を劇的に削減し、電力システムにおける計算集約的なプロセスの優れた見積を生成するのに役立つ。
このようなニューラルネットワークは、電力系統における安全クリティカルな応用に適用でき、電力系統運用者の間で高い信頼関係を構築することができる。
論文 参考訳（メタデータ） (2021-06-28T10:45:22Z) - 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) - 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) - 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。