論文の概要: Data-driven Bi-level Optimization of Thermal Power Systems with embedded Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2602.13746v1
• Date: Sat, 14 Feb 2026 12:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.36879
• Title: Data-driven Bi-level Optimization of Thermal Power Systems with embedded Artificial Neural Networks
• Title（参考訳）: 組み込みニューラルネットワークを用いた熱電力システムのデータ駆動バイレベル最適化
• Authors: Talha Ansar, Muhammad Mujtaba Abbas, Ramit Debnath, Vivek Dua, Waqar Muhammad Ashraf,
• Abstract要約: 本稿では,産業用熱電力システムのデータ駆動最適化のための,機械学習による二段階最適化フレームワークを提案する。 ANNモデルとKarush-Kuhn-Tucker制約(ANN-KKT)を統合した一段階最適化フレームワークを,ベンチマーク問題や実世界の発電操作で検証した。 その結果,提案した ANN-KKT フレームワークとベンチマーク問題の両レベルソリューションとの同等の解が得られた。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial thermal power systems have coupled performance variables with hierarchical order of importance, making their simultaneous optimization computationally challenging or infeasible. This barrier limits the integrated and computationally scaleable operation optimization of industrial thermal power systems. To address this issue for large-scale engineering systems, we present a fully machine learning-powered bi-level optimization framework for data-driven optimization of industrial thermal power systems. The objective functions of upper and lower levels are approximated by artificial neural network (ANN) models and the lower-level problem is analytically embedded through Karush-Kuhn-Tucker (KKT) optimality conditions. The reformulated single level optimization framework integrating ANN models and KKT constraints (ANN-KKT) is validated on benchmark problems and on real-world power generation operation of 660 MW coal power plant and 395 MW gas turbine system. The results reveal a comparable solutions obtained from the proposed ANN-KKT framework to the bi-level solutions of the benchmark problems. Marginal computational time requirement (0.22 to 0.88 s) to compute optimal solutions yields 583 MW (coal) and 402 MW (gas turbine) of power output at optimal turbine heat rate of 7337 kJ/kWh and 7542 kJ/kWh, respectively. In addition, the method expands to delineate a feasible and robust operating envelope that accounts for uncertainty in operating variables while maximizing thermal efficiency in various scenarios. These results demonstrate that ANN-KKT offers a scalable and computationally efficient route for hierarchical, data-driven optimization of industrial thermal power systems, achieving energy-efficient operations of large-scale engineering systems and contributing to industry 5.0.
• Abstract（参考訳）: 産業用熱パワーシステムは性能変数と階層的な重要度を結合し、その同時最適化を計算的に困難または不可能にしている。 この障壁は、産業用火力システムの統合的かつ計算学的にスケール可能な運転最適化を制限する。 大規模エンジニアリングシステムにおけるこの問題に対処するため,産業用火力システムのデータ駆動最適化のための,機械学習による二段階最適化フレームワークを提案する。 上層と下層の目的関数は、人工知能ニューラルネットワーク(ANN)モデルにより近似され、下層問題はKKT(Karush-Kuhn-Tucker)最適条件を介して解析的に埋め込まれる。 ANNモデルとKKT制約(ANN-KKT)を統合した一段最適化フレームワークを,660MW石炭発電プラントと395MWガスタービンシステムの実運用およびベンチマーク問題で検証した。 その結果,提案した ANN-KKT フレームワークからベンチマーク問題のバイレベル解に匹敵する解が得られた。 最適解を計算するためのマージナル計算時間(0.22〜0.88秒)は、最適タービン熱速度7337kJ/kWhと7542kJ/kWhの出力の583MW(石炭)と402MW(ガスタービン)となる。 さらに、本手法は、様々なシナリオで熱効率を最大化しながら、操作変数の不確実性を考慮し、実用的で堅牢な動作封筒をデライン化するように拡張する。 これらの結果から,ANN-KKTは,産業用火力発電システムの階層的,データ駆動型最適化,大規模エンジニアリングシステムのエネルギー効率向上,産業5.0への貢献のために,スケーラブルで効率的な経路を提供することが示された。

関連論文リスト

• Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
  本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。 提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。 この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
  論文  参考訳（メタデータ） (2025-11-21T08:12:47Z)
• Optimized scheduling of electricity-heat cooperative system considering wind energy consumption and peak shaving and valley filling [13.358105013418566]
  本研究では,改良されたDual-Delay Deep Deterministic Policy Gradient (PVTD3)アルゴリズムに基づくインテリジェントスケジューリング手法を提案する。 グリッド電力購入変動に対するペナルティ項を導入することにより,システム最適化を実現する。 提案アルゴリズムは, 経済効率とグリッド安定性に優れるだけでなく, エネルギー貯蔵装置管理において, 持続可能なスケジューリング能力も優れている。
  論文  参考訳（メタデータ） (2025-11-19T09:10:02Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• Domain Consistent Industrial Decarbonisation of Global Coal Power Plants [0.0]
  機械学習と最適化技術(MLOPT)は、産業システムの脱炭を加速する大きな可能性を秘めている。 しかし、産業環境におけるMLOPTの実践的応用は、ドメインコンプライアンスの欠如とシステム固有の一貫性の欠如によってしばしば妨げられる。 本稿では,ドメインの専門知識とデータ駆動手法を統合したHuman-in-the-loop(HITL)制約に基づく最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-05T15:00:39Z)
• An Improved NSGA-II with local search for multi-objective energy-efficient flowshop scheduling problem [0.0]
  製造業におけるエネルギー消費は、効率の良いスケジュールに直接関係している。 提案されたアルゴリズムは、ベンチマーク問題でそれぞれFTとECの最小化を平均47%、平均15.44%改善した。
  論文  参考訳（メタデータ） (2025-03-01T18:56:06Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
  文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。 この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。 標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
  論文  参考訳（メタデータ） (2022-10-14T20:19:32Z)
• Machine learning based surrogate models for microchannel heat sink optimization [0.0]
  本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。 ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
  論文  参考訳（メタデータ） (2022-08-20T13:49:11Z)
• 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。