論文の概要: Residual Power Flow for Neural Solvers

• arxiv url: http://arxiv.org/abs/2601.09533v1
• Date: Wed, 14 Jan 2026 14:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.439874
• Title: Residual Power Flow for Neural Solvers
• Title（参考訳）: ニューラルゾルバの残留電力流
• Authors: Jochen Stiasny, Jochen Cremer,
• Abstract要約: 本研究は,Residual Power Flow (RPF) の定式化を提案する。 RPFはKirchhoffの法則に基づいて残関数を定式化し、操作条件の不実現性を定量化する。 ニューラルソルバを用いてRPFを学習し、その速度を活用することを提案する。 運用上の課題を解決するため、予測-仮説-最適化(PO)アプローチでニューラルソルバを統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The energy transition challenges operational tasks based on simulations and optimisation. These computations need to be fast and flexible as the grid is ever-expanding, and renewables' uncertainty requires a flexible operational environment. Learned approximations, proxies or surrogates -- we refer to them as Neural Solvers -- excel in terms of evaluation speed, but are inflexible with respect to adjusting to changing tasks. Hence, neural solvers are usually applicable to highly specific tasks, which limits their usefulness in practice; a widely reusable, foundational neural solver is required. Therefore, this work proposes the Residual Power Flow (RPF) formulation. RPF formulates residual functions based on Kirchhoff's laws to quantify the infeasibility of an operating condition. The minimisation of the residuals determines the voltage solution; an additional slack variable is needed to achieve AC-feasibility. RPF forms a natural, foundational subtask of tasks subject to power flow constraints. We propose to learn RPF with neural solvers to exploit their speed. Furthermore, RPF improves learning performance compared to common power flow formulations. To solve operational tasks, we integrate the neural solver in a Predict-then-Optimise (PO) approach to combine speed and flexibility. The case study investigates the IEEE 9-bus system and three tasks (AC Optimal Power Flow (OPF), power-flow and quasi-steady state power flow) solved by PO. The results demonstrate the accuracy and flexibility of learning with RPF.
• Abstract（参考訳）: エネルギー遷移は、シミュレーションと最適化に基づく運用上のタスクに挑戦する。 これらの計算は、グリッドが絶え間なく拡張され、再生可能エネルギーの不確実性は柔軟な運用環境を必要とするため、高速でフレキシブルである必要がある。 近似、プロキシ、サロゲートを学習し、それらをニューラルソルバーと呼び、評価速度の点で優れています。 したがって、ニューラルソルバは通常、その実用性を制限する高度に特定のタスクに適用され、広く再利用され、基礎となるニューラルソルバが必要である。 そこで本研究では,Residual Power Flow (RPF) の定式化を提案する。 RPFはKirchhoffの法則に基づいて残関数を定式化し、操作条件の不実現性を定量化する。 残留物の最小化は電圧解を決定するが、交流実現可能性を達成するにはスラック変数を追加する必要がある。 RPFは、電力フロー制約を受けるタスクの自然な基礎的なサブタスクを形成する。 ニューラルソルバを用いてRPFを学習し、その速度を活用することを提案する。 さらに、RPFは、一般的な電力フローの定式化よりも学習性能が向上する。 運用上の課題を解決するため,予測-最適(PO)アプローチにニューラルソルバを統合することで,速度と柔軟性を両立させる。 ケーススタディでは, IEEE 9-busシステムと3つのタスク (AC Optimal Power Flow (OPF), Power-flow, Quasi-steady State Power Flow) について検討した。 その結果,RPFによる学習の精度と柔軟性が示された。

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)
• 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)
• Learning Optimal Power Flow Value Functions with Input-Convex Neural Networks [15.791200937436837]
  最適電力流(OPF)問題は電力システムに不可欠な問題であり、分散制約に固執しながら発電を最適化することを目的としている。 本研究は、他の凸依存決定問題と結合しながら、オンライン環境でより高速な分析を学習するための機械学習(ML)について検討する。
  論文  参考訳（メタデータ） (2023-10-06T21:48:39Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• 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)
• 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)
• 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)

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。