論文の概要: A Multi-Stage Warm-Start Deep Learning Framework for Unit Commitment

• arxiv url: http://arxiv.org/abs/2604.21891v1
• Date: Thu, 23 Apr 2026 17:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.795458
• Title: A Multi-Stage Warm-Start Deep Learning Framework for Unit Commitment
• Title（参考訳）: ユニットコミットのためのマルチステージワームスタート深層学習フレームワーク
• Authors: Muhy Eddin Za'ter, Anna Van Boven, Bri-Mathias Hodge, Kyri Baker,
• Abstract要約: 本稿では,72時間水平線上での発電機のコミットスケジュールを予測するための新しい枠組みを提案する。 提案したモデルは、解法のみに依存するよりもシステム全体のコストが低く、実行可能な運用スケジュールに達した。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Maintaining instantaneous balance between electricity supply and demand is critical for reliability and grid instability. System operators achieve this through solving the task of Unit Commitment (UC),ca high dimensional large-scale Mixed-integer Linear Programming (MILP) problem that is strictly and heavily governed by the grid physical constraints. As grid integrate variable renewable sources, and new technologies such as long duration storage in the grid, UC must be optimally solved for multi-day horizons and potentially with greater frequency. Therefore, traditional MILP solvers increasingly struggle to compute solutions within these tightening operational time limits. To bypass these computational bottlenecks, this paper proposes a novel framework utilizing a transformer-based architecture to predict generator commitment schedules over a 72-hour horizon. Also, because raw predictions in highly dimensional spaces often yield physically infeasible results, the pipeline integrates the self-attention network with deterministic post-processing heuristics that systematically enforce minimum up/down times and minimize excess capacity. Finally, these refined predictions are utilized as a warm start for a downstream MILP solver, while employing a confidence-based variable fixation strategy to drastically reduce the combinatorial search space. Validated on a single-bus test system, the complete multi-stage pipeline achieves 100\% feasibility and significantly accelerates computation times. Notably, in approximately 20\% of test instances, the proposed model reached a feasible operational schedule with a lower overall system cost than relying solely on the solver.
• Abstract（参考訳）: 電力供給と需要の即時バランスを維持することは、信頼性とグリッド不安定性にとって重要である。 システムオペレーターは、グリッドの物理的制約に厳密かつ厳格に支配されているMILP(High-dimensional Large-scale Mixed-integer Linear Programming)問題であるUC(Unit Commitment)のタスクを解くことでこれを達成している。 グリッドは可変再生可能エネルギー源と、グリッド内の長期保存のような新しい技術を統合するため、UCは複数日の地平線に対して最適に解かなければならない。 そのため、従来のMILPソルバは、これらの厳密な運用時間制限内でのソリューションの計算にますます苦労している。 本稿では,これらの計算ボトルネックを回避するため,72時間水平線上での発電機のコミットスケジュールを予測するためのトランスフォーマーアーキテクチャを用いた新しいフレームワークを提案する。 また、高次元空間における生の予測はしばしば物理的に実現不可能な結果をもたらすため、パイプラインは自己注意ネットワークを決定論的後処理ヒューリスティックと統合し、最小のアップ/ダウン時間を体系的に実施し、過剰な容量を最小化する。 最後に、これらの改良された予測を下流MILPソルバのウォームスタートとして利用し、信頼性に基づく可変固定戦略を用いて組合せ探索空間を劇的に削減する。 単バステストシステムで検証された完全多段パイプラインは、100\%の実現可能性を実現し、計算時間を著しく短縮する。 特に、およそ20 %のテストインスタンスにおいて、提案されたモデルは、解決者のみに依存するよりもシステム全体のコストを低くして、実行可能な運用スケジュールに達した。

関連論文リスト

• Physics-integrated neural differentiable modeling for immersed boundary systems [33.49956187870957]
  本研究では,入力境界流の予測のための物理積分微分可能なフレームワークを開発することにより,既存のニューラルPDE解法を拡張した。 フレームワークの重要な設計側面は、物理的原則をエンドツーエンドの差別化可能なアーキテクチャに構造的に統合することである。 提案手法は, 流動場忠実度および長水平安定性において, 純粋にデータ駆動, 物理ロスの制約, 粗いグリッドの数値ベースラインより一貫して優れる。
  論文  参考訳（メタデータ） (2026-03-17T09:08:04Z)
• Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
  本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。 システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。 提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
  論文  参考訳（メタデータ） (2025-10-23T02:55:40Z)
• CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
  本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。 提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2025-08-15T07:49:22Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Successive Refinement in Large-Scale Computation: Advancing Model Inference Applications [67.76749044675721]
  階層化分解能計算の解を導入する。 これらの解により、最終結果よりも早い段階でより解像度の低い結果が得られる。
  論文  参考訳（メタデータ） (2024-02-11T15:36:33Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Training Latency Minimization for Model-Splitting Allowed Federated Edge Learning [16.8717239856441]
  我々は,深層ニューラルネットワーク(DNN)の訓練において,クライアントが直面する計算能力の不足を軽減するためのモデル分割許容FL(SFL)フレームワークを提案する。 同期したグローバルアップデート設定では、グローバルトレーニングを完了するためのレイテンシは、クライアントがローカルトレーニングセッションを完了するための最大レイテンシによって決定される。 この混合整数非線形計画問題の解法として,AIモデルのカット層と他のパラメータの量的関係に適合する回帰法を提案し,TLMPを連続的な問題に変換する。
  論文  参考訳（メタデータ） (2023-07-21T12:26:42Z)
• Efficient Reachability Analysis of Closed-Loop Systems with Neural Network Controllers [39.27951763459939]
  本研究は,NNコントローラを用いた前方到達可能な閉ループシステムの推定に焦点をあてる。 最近の研究は到達可能な集合の境界を提供するが、計算効率の高いアプローチは過度に保守的な境界を提供する。 この作業は、NNコントローラによる閉ループシステムの到達可能性解析のための凸最適化問題を定式化することでギャップを埋める。
  論文  参考訳（メタデータ） (2021-01-05T22:30:39Z)
• 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。