Fugu-MT 論文翻訳(概要): Towards Systematic Generalization for Power Grid Optimization Problems

論文の概要: Towards Systematic Generalization for Power Grid Optimization Problems

arxiv url: http://arxiv.org/abs/2605.02026v1
Date: Sun, 03 May 2026 19:23:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-05 20:33:50.049454
Title: Towards Systematic Generalization for Power Grid Optimization Problems
Title（参考訳）: 電力グリッド最適化問題に対する体系的一般化に向けて
Authors: Zeeshan Memon, Yijiang Li, Hongwei Jin, Kibaek Kim, Liang Zhao,
Abstract要約: AC Optimal Power Flow (ACOPF) とSecurity-Constrained Unit Commitment (SCUC) は、電力系統運用における基本的な最適化問題である。本稿では,ACOPFとSCUCを共用する学習フレームワークを提案する。
参考スコア（独自算出の注目度）: 13.619002117559958
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AC Optimal Power Flow (ACOPF) and Security-Constrained Unit Commitment (SCUC) are fundamental optimization problems in power system operations. ACOPF serves as the physical backbone of grid simulation and real-time operation, enforcing nonlinear power flow feasibility and network limits, while SCUC represents a core market-level decision process that schedules generation under operational and security constraints. Although these problems share the same underlying transmission network and physical laws, they differ in decision variables and temporal coupling, and prior learning-based approaches address them in isolation, resulting in disjoint models and representations.We propose a learning framework that jointly models ACOPF and SCUC through a shared graph-based backbone that captures grid topology and physical interactions, coupled with task-specific decoders for static and temporal decision-making. Training includes solver supervision with physics-informed objectives to enforce AC feasibility and inter-temporal operational constraints. To evaluate generalization, we assess cross-case transfer on unseen grid topologies for ACOPF and SCUC without retraining, and systematic generalization on the UC-ACOPF problem using unsupervised, physics-based objectives and a power-dispatch consensus mechanism. Experiments across multiple grid scales demonstrate improved performance and transferability relative to existing learning-based baselines, indicating that the model can support learning across heterogeneous power system optimization problems.
Abstract（参考訳）: AC Optimal Power Flow (ACOPF) とSecurity-Constrained Unit Commitment (SCUC) は、電力系統運用における基本的な最適化問題である。 ACOPFはグリッドシミュレーションとリアルタイム操作の物理的バックボーンとして機能し、非線形電力フローの実現性とネットワーク制限を強制する一方、SCUCは運用およびセキュリティ上の制約の下で生成をスケジュールする中核的な市場レベルの決定プロセスである。これらの問題は, 伝送ネットワークと物理法則が同一であるが, 決定変数と時間的結合が異なるため, 先行学習に基づくアプローチでは, 分離モデルと表現の相違が生じ, 静的および時間的決定のためのタスク固有デコーダと組み合わせて格子トポロジと物理相互作用をキャプチャする共有グラフベースバックボーンを通じて, ACOPF と SCUC を共同でモデル化する学習フレームワークを提案する。トレーニングには、ACの実現可能性と時間間運用上の制約を強制するための物理情報による目的による解決者監督が含まれる。一般化を評価するため,ACOPF と SCUC のグリッドトポロジのクロスケース転送を再学習することなく評価し,教師なし物理に基づく目的とパワーディスパッチのコンセンサス機構を用いてUC-ACOPF 問題を体系的に一般化した。複数のグリッドスケールにわたる実験では、既存の学習ベースラインと比較して性能と転送性が向上し、不均一な電力系統最適化問題における学習を支援することが示されている。

関連論文リスト

LUMINA: A Grid Foundation Model for Benchmarking AC Optimal Power Flow Surrogate Learning [13.448601803960136]
AC最適電力フロー(ACOptim Power Flow, ACOPF)は、電力グリッド操作において基礎的だが計算上は高価である。 ACOPFサロゲート学習のためのベンチマークスイートLUMINA-Benchを紹介する。
論文参考訳（メタデータ） (2026-05-04T01:25:16Z)
QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
論文参考訳（メタデータ） (2025-12-17T06:22:46Z)
Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
論文参考訳（メタデータ） (2025-09-02T22:17:25Z)
PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文参考訳（メタデータ） (2025-08-29T01:47:27Z)
Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
論文参考訳（メタデータ） (2025-07-12T17:11:06Z)
Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF [15.100794164684956]
交流最適潮流(AC-OPF)は、電力系統における電圧の大きさと位相角の非形式的関係を利用して発電機出力を最適化することを目的としている。現在のAC-OPFソルバは、制約空間における変数分布と対応する最適解の間の複雑な関係を効果的に表すのに苦労している。本稿では,制約に関連した問題に対処し,グラフベースの学習フレームワークを構築するための新しい手法であるDDA-PIGCNを提案する。
論文参考訳（メタデータ） (2025-05-31T09:07:19Z)
Transformer-Empowered Actor-Critic Reinforcement Learning for Sequence-Aware Service Function Chain Partitioning [1.9120720496423733]
本稿では,シーケンシャル・アウェア・SFCパーティショニングに特化して設計されたトランスフォーマーを利用したアクタ・クリティカル・フレームワークを提案する。提案手法は,VNF間の複雑な相互依存性を効果的にモデル化し,協調的および並列化された意思決定プロセスを容易にする。
論文参考訳（メタデータ） (2025-04-26T12:18:57Z)
Robo-taxi Fleet Coordination at Scale via Reinforcement Learning [21.266509380044912]
この研究は、数学的モデリングとデータ駆動技術を統合する新しい意思決定フレームワークを導入している。本稿では、強化学習のレンズを通してAMoDコーディネート問題を示し、グラフネットワークに基づくフレームワークを提案する。特に、強化学習のレンズを通してAMoDコーディネート問題を示し、グラフネットワークに基づくフレームワークを提案する。
論文参考訳（メタデータ） (2025-04-08T15:19:41Z)
Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文参考訳（メタデータ） (2024-06-19T07:17:04Z)
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)
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。